Está en la página 1de 92

UNIVERSIDAD NACIONAL AUTNOMA DE NICARAGUA, MANAGUA

RECINTO UNIVERSITARIO RUBN DARO


FACULTAD DE CIENCIAS E INGENIERA
DEPARTAMENTO DE COMPUTACIN.

Tema:
Minera de Datos

Subtema:

Desarrollo de un modelo basado en minera de datos aplicando el algoritmo Association


Rules en la empresa Mltiples Equipos y Servicios de Managua en el II Semestre 2015.

Autores:
Br. Martin Antonio Pea Carcache.
Br. Reynery Elizabeth Beteta Morales.
Br. Eliette de los ngeles Mena Lpez.

Tutor:

MSc. Luis Miguel Martnez Olivera.


Managua, 10 de diciembre de 2015
2
Agradecimiento

A Dios:
Por habernos acompaado y guiado a lo largo de nuestra carrera, por darnos fortaleza
en los momentos difciles y por darnos una vida llena de aprendizajes, experiencias y
sobre todo felicidad.

A nuestros Padres:
Por apoyarnos en todo momento, por los valores que nos han inculcado, por brindarnos
todo su amor y apoyo para tener la oportunidad de una excelente educacin en el
transcurso de nuestras vidas. Sobre todo por ser un excelente ejemplo a seguir.

A nuestras familias:
A nuestros hermanos por ser parte importante de nuestras vidas y representar la unidad
familiar, y apoyo incondicional durante todos los momentos que han acontecido.
A mi esposo e hijo por apoyarme y brindarme su ayuda, comprensin y acompaarme
ya que son mis seres queridos, sinnimo de comunin y de la esencia de la vida.
A mis hijos que son fuente de inspiracin, fuerza y conocimiento.
A mi madre por mi apoyo en todo momento.

A nuestros maestros
Por la confianza, apoyo y dedicacin de tiempo a trasmitir sus conocimientos con
dedicacin. En especial a nuestro tutor MSc. Luis Miguel Martnez por tener la
paciencia para guiarnos y as concluir con una etapa ms en nuestra educacin.

Los autores

3
Dedicatoria

A Dios:
.
Por haberme permitido llegar hasta este punto y haberme dado salud para lograr
mis objetivos, adems de su infinita bondad y amor.

A mis padres y esposo:

Por haberme apoyado en todo momento, por sus consejos, sus valores, los ejemplos de
perseverancia y constancia que me ha permitido ser una persona de bien, pero ms que
nada, por su apoyo incondicional.

A nuestros Maestros
Por su gran apoyo y motivacin para la culminacin de nuestros estudios profesionales,
por brindarlos una formacin esmerada y apoyarlos en cada una de nuestra etapa para
poder llegar a este momento ya que ellos marcan cada etapa de nuestro camino
universitario, y que nos ayudaron en asesoras y dudas presentadas en
la elaboracin de la tesis.

A mis amigos:

Que nos apoyamos mutuamente en nuestra formacin profesional y que hasta


ahora, seguimos siendo amigos.

Br. Reynery Elizabeth Beteta Morales.

4
Dedicatoria

A Dios:

Por darme cada da la oportunidad de vivir al lado de todos mis seres queridos.

A mis Padres:

Quienes me apoyan da a da con su cario y amor sin ninguna condicin.

A mis hijos:

Son una nueva fuente de energa amor y enseanza, a quienes debo guiar por el
buen camino proveyndoles de lo necesario para ser hombres de bien.

A los profesores

Por tener ese don especial de la enseanza, tarea que no es nada fcil pero si
muy gratificante, a ellos que con su conocimiento alumbran el camino al conocimiento y
formar grandes profesionales.

Br. Martn Antonio Pea Carcache.

5
Dedicatoria

A Dios
Por haberme permitido llegar al final, dndome la energa para lograr mis metas,
por su amor y bondad tan infinita en mi vida.

A mi Madre
Quien me brind su apoyo durante estos aos. Por ser mi inspiracin, quien no
deja de instruirme cada da e inculcarme valores para ser una persona de bien.

A mi Padre
Aunque ya no ests conmigo me motivaste para iniciar mi carrera universitaria, s
que estaras muy orgulloso de m.

Br. Eliette de los ngeles Mena Lpez.

6
ndice

I. Resumen...........................................................................................................................................12

II. Introduccin ......................................................................................................................................13

III. Antecedentes ...............................................................................................................................14

IV. Planteamiento del Problema ......................................................................................................16

1. Caracterizacin del Problema .........................................................................................................16

2. Delimitacin del Problema .............................................................................................................16

3. Formulacin del Problema .............................................................................................................16

4. Sistematizacin del Problema ........................................................................................................16

III. Justificacin. .......................................................................................................................................17

IV. Objetivos .............................................................................................................................................18

1. Objetivo General ............................................................................................................................18

2. Objetivos Especficos ......................................................................................................................18

V. Hiptesis. .............................................................................................................................................19

VI. Marco Terico ....................................................................................................................................20

6.1. Datos, informacin y conocimiento. ...........................................................................................20

6.2. Sistemas de informacin. ...........................................................................................................20

6.3. Sistemas OLTP y OLAP ................................................................................................................22

6.4. MOLAP........................................................................................................................................24

6.5. ROLAP .........................................................................................................................................24

6.6. Categoras de los Sistemas de Informacin ................................................................................24

6.7. Modelamiento multidimensional ...............................................................................................26

7
6.8. Bases de datos relacionales. .......................................................................................................27

6.9. Vistas lgicas y fsicas de datos...................................................................................................27

6.10. Esquemas del diseo dimensional ..........................................................................................28

6.11. Base de datos fuentes ............................................................................................................28

6.12. Interfaces orientadas a usuarios que extraen informacin para la toma de decisiones .........29

6.13. La Minera de Datos y el Descubrimiento de Conocimiento en Bases de Datos. ....................30

6.14. Proyectos en Minera de Datos...............................................................................................31

6.15. Tcnicas de Minera de Datos. ................................................................................................33

6.16. Explicacin del algoritmo del Subtema. ..................................................................................34

6.17. Modelo que aplicarn para la elaboracin de la aplicacin. ...................................................34

6.18. Datos requeridos para los modelos de asociacin..................................................................35

6.19. Herramientas de Minera de datos. ........................................................................................37

6.20. Norma ISO 9126 .....................................................................................................................38

6.21. Resea histrica de la empresa. .............................................................................................42

VII. Diseo Metodolgico........................................................................................................................43

1. Tipo de Estudio. ..............................................................................................................................43

2. Universo del estudio. ......................................................................................................................43

3. Muestra. .........................................................................................................................................43

4. Instrumentos para la recoleccin de datos e informacin .............................................................44

5. Procedimientos para la recoleccin de datos e informacin. .........................................................44

6. Herramientas utilizadas para realizar el modelo: ...........................................................................45

7. Etapas de la minera de datos ........................................................................................................45

VIII. Presentacin y Anlisis de Resultados ........................................................................................48

8
1. Scripts llenado Base de Datos .........................................................................................................51

2. Creacin del cubo para anlisis de resultados ................................................................................57

3. Evaluacin Norma ISO 9126: Usabilidad .........................................................................................80

IX. Cronograma de Actividades ...........................................................................................................84

X. Presupuesto .......................................................................................................................................85

XI. Conclusiones ................................................................................................................................86

XII. Recomendaciones .......................................................................................................................87

XIII. Bibliografa .....................................................................................................................................88

XIV. Compendio .....................................................................................................................................92

9
TABLA DE ILUSTRACIONES

ILUSTRACIN 1: ETAPAS DE LA MINERA DE DATOS .............................................................................................................. 45

ILUSTRACIN 2: BASES DE DATOS CONFORMADA POR LAS TABLAS DE HECHOS Y DIMENSIONES. ...................................................... 46

ILUSTRACIN 3: ALGORITMO REGLAS DE ASOCIACIN .......................................................................................................... 47

ILUSTRACIN 4: DIAGRAMA ORIGINAL BASE DE DATOS. ........................................................................................................ 49

ILUSTRACIN 5: ESQUEMA DATAWAREHOUSE. ................................................................................................................... 50

ILUSTRACIN 6: DIMENSIN CLIENTE ............................................................................................................................... 53

ILUSTRACIN 7: DIMENSIN EMPLEADO ........................................................................................................................... 53

ILUSTRACIN 8: DIMENSIN SUCURSAL ............................................................................................................................ 53

ILUSTRACIN 9: DIMENSIN PRODUCTO ........................................................................................................................... 54

ILUSTRACIN 10:FACT TABLE VENTAS .............................................................................................................................. 55

ILUSTRACIN 11: DIMENSIN TIEMPO ............................................................................................................................. 55

ILUSTRACIN 12: ORIGEN DE DATOS GENERAL DE LA TABLA DE HECHOS COMPRAS ..................................................................... 56

ILUSTRACIN 13: ESQUEMA GENERAL DEL PROCESO DE VENTAS. ............................................................................................. 57

ILUSTRACIN 14: ESQUEMA GENERADO EN LA CREACIN DEL CUBO......................................................................................... 58

ILUSTRACIN 15: RED DE DEPENDENCIAS, ASOCIACIN NOMBRE DE LOS PRODUCTOS ................................................................ 70

ILUSTRACIN 16: RED DE DEPENDENCIAS, ATRIBUTOS .......................................................................................................... 71

ILUSTRACIN 17: RED DE DEPENDENCIAS NOMBRES ............................................................................................................ 72

ILUSTRACIN 18: RED DE DEPENDENCIAS NOMBRES DE PRODUCTO......................................................................................... 76

ILUSTRACIN 19: RED DE DEPENDENCIAS .......................................................................................................................... 77

ILUSTRACIN 20: RED DE DEPENDENCIAS ATRIBUTOS ........................................................................................................... 78

ILUSTRACIN 21: CARGO QUE DESEMPEA ........................................................................................................................ 80

ILUSTRACIN 22: USO DE LA APLICACIN .......................................................................................................................... 81

ILUSTRACIN 23: PUNTAJE ASIGNADO A LA APLICACIN ........................................................................................................ 81

ILUSTRACIN 24: SOLICITUD DE REPORTES......................................................................................................................... 82


10
ILUSTRACIN 25: USUARIOS DE APLICACIN ...................................................................................................................... 83

11
I. Resumen

En el presente trabajo se muestra el anlisis e implementacin de una solucin de minera


de datos para la empresa Mltiples Equipos y servicios.

Primeramente se analizaron los procesos que realiza la empresa mediante los mtodos
de recoleccin de la informacin, identificando las necesidades y problemas presentes
con respecto al flujo de la informacin, lo que sirvi como base para la creacin de la
solucin.

Despus del anlisis realizado anteriormente se plante una justificacin para en donde
se determin el propsito de este proyecto y que reas vendra a solucionar con la
implementacin de esta solucin de minera. Una vez ya planteada la justificacin para
este proyecto se detallan los objetivos planteados.

Se detallan una serie de conceptos, caractersticas y herramientas utilizadas o con el


objetivo de obtener ms conocimiento sobre el tema a implementarse en el proyecto.

Se describen los mtodos de recoleccin de informacin utilizados as como tambin la


toma de muestra que se tom al momento de la entrevista.

Luego se muestran los resultados del anlisis y el desarrollo de la solucin de minera


de datos, en donde se present la solucin a cada objetivo anteriormente planteado.
Como primer resultado se presenta el anlisis sobre los procesos de las reas de venta
y mercadeo as como la base de datos transaccional que utiliza la empresa, en nuestro
segundo resultado se presenta los diferentes proceso que se realizaron para llegar a la
implementacin del algoritmo de clster y como nuestro tercer resultado se muestra la
evaluacin por parte del usuario final.

Finalmente se realiz una conclusin sobre el proyecto y se brindaron una serie de


recomendaciones para el buen manejo de la solucin.

12
II. Introduccin

Actualmente las empresas van creando una gran cantidad de informacin. Con que
propsito se va haciendo? Los motivos pueden ser muchos y variados, por ejemplo,
optimizar, administrar, planificar o predecir para tomar buenas decisiones.

La informacin que las empresas van generando contribuye al crecimiento de sus


bases de datos, las cuales contiene todo tipo de datos, correos electrnicos, inventarios,
pagos a empleados, etc. La informacin es considerada de gran importancia por lo cual
debe ser resguarda, ya que si se pierde parcial o totalmente generara grandes prdidas.

A la vez, tambin debe ser explotada para obtener un mejor manejo de la misma
y comprender su contenido para beneficio de un negocio. La minera de datos consiste
en extraccin, limpieza y transformacin de los datos.

El presente documento muestra la implementacin del algoritmo de reglas de


asociacin para encontrar diferentes patrones de compras y as contribuir con el anlisis
de las ventas en la empresa Mltiples Equipos y Servicios.

13
III. Antecedentes

Un primer trabajo corresponde a Adasme, Alarcn (Santiago de Chile, 2013), quienes


realizaron el estudio: Anlisis de patrones de compra de tiendas Retail, utilizando
Inteligencia de Negocios, para optar al ttulo de ingenieros comerciales con mencin en
administracin. En este estudio se enfocaron en el modelo llamado Reglas de Asociacin,
con el objetivo de encontrar patrones de compra de los consumidores de la tienda, para
definir una descripcin detallada de los consumidores.

La metodologa utilizada fue la CRISP-DM, la cual consiste en un conjunto de 4 niveles


de abstraccin. El primer nivel consiste en las fases, las cuales a su vez se dividen en el
segundo nivel en actividades generalizadas, las cuales se dividen en un tercer nivel en
actividades particulares, para cerrar en un cuarto nivel que consiste en instancia de
procesos.

La base de datos utilizada fue extrada de las compras de una tienda por
departamentos de Londres para los aos 2009 y 2010. Es una base de datos annima
por lo cual ningn dato personal del cliente es mostrado.

Dentro de las conclusiones se encontr que los clientes compran artculos para la
parte inferior del cuerpo, predominando los colores oscuros. Si compran colores claros
solo es para camisas, pero es poco frecuente. La temporada de compras sobresaliente
es en primavera. Existen poco consumidores fieles a la tienda. Se le present a la tienda
los diferentes tipos de consumidores para que elaboren estrategias de mercado.

Un segundo trabajo de Francisco Garca Gonzlez (Granada, 2013), aplicando


tcnicas de minera de datos obtenidos por el Centro Andaluz de Medio Ambiente
(CEAMA), para obtener el ttulo de Master Universitario en Estadstica aplicada. El
objetivo de este estudio es medir y analizar la radiacin atmosfrica, realizar estudios de
teledeteccin aplicada a la caracterizacin de las partculas atmosfricas y suspensin
en las nubes.

14
La base de datos utilizada, proceden del grupo de investigacin de fsica de la atmosfera
del CEAMA. Con informacin de datos y observaciones relativas a nivel de radiacin y
grado de nubosidad.

El mtodo utilizado para el estudio de los datos fue la aplicacin del algoritmo
Nave Bayes. Esta tcnica involucra una hiptesis de difcil cumplimiento y funciona bien
con bases de datos reales.

El resultado de utilizar esta tcnica, es que an eliminando atributos que no son


relevantes y afectan la calidad del mtodo, se obtuvieron datos de gran utilidad, ya que
este clasificador ofrece una medida probabilstica para el anlisis de las variables que
intervienen en el problema.

En el presente documento, se presenta como uno de los primeros ejemplos en Nicaragua


de Minera de datos, especficamente la aplicacin del algoritmo Reglas de Asociacin
en la empresa Mltiples Equipos y servicios.

15
IV. Planteamiento del Problema

1. Caracterizacin del Problema

La empresa Mltiples Equipos y Servicios es un negocio donde se realizan diferentes


operaciones con respecto a compra, venta de productos varios y prestacin de servicios;
este cuenta con un sistema que controla el inventario, sin embargo se necesita que los
productos se muevan con frecuencia, el inventario estancado ha empezado a representar
atraso y prdida de divisas por la depreciacin de los productos, provocando que la
empresa entre en crisis econmica, dada que la poca demanda causa escases de fondos
para la adquisicin de nuevos productos e inversiones.

2. Delimitacin del Problema

La empresa Mltiples equipos y servicios necesita llevar un anlisis visual de los


movimientos del inventario de las ventas y las compras, que permita tomar decisiones
para la adquisicin de nuevos productos y ofrecer un servicio apropiado a los clientes
aumentando los ingresos, esto mediante estrategias de mercadeo para obtener mejores
resultados econmicos, comerciales en tiempo y forma.

3. Formulacin del Problema

Cmo se podra visualizar mejor los movimientos de ventas, compras y existencias de


nuestros productos en la empresa Mltiples Equipos y Servicios?

4. Sistematizacin del Problema

Cul es la situacin actual de la empresa Mltiples Equipos y Servicios con respecto


a los procesos de ventas y compras?
De qu forma se mejorarn las ventas de la empresa Mltiples Equipos y Servicios?
Bajo qu normas se podra evaluar la solucin propuesta?

16
III. Justificacin.

La empresa Mltiples Equipos y Servicios S.A. se ha caracterizado por brindar a sus


clientes mercaderas de calidad, con la misin y visin de satisfacer las necesidades que
se requieren con atencin esmerada del personal de ventas. Debido a los constantes
cambios de temporada y nuevos ingresos de productos al mercado el inventario con el
que cuenta la empresa posee artculos que estn siendo desplazados por nuevas
tecnologas y otras tendencias.

Por medio de esto se podrn realizar estrategias que les permita:

Obtener informacin objetiva que permita la obtencin de datos preciso para un


anlisis estratgico en dependencia de las necesidades de la empresa.
Agilizar los procesos de inventario con relacin al capital, reduciendo productos
estancados y renovando el inventario actual permitiendo tener un mejor ingreso a la
empresa.
Mejorar las inversiones, anteponiendo compras-ventas y productos-inventario.
Crear ofertas de mercado atractivas para los clientes y facilitar de esta manera el flujo
del inventario y la movilizacin de los activos en reposo.

17
IV. Objetivos

1. Objetivo General

Desarrollar un modelo basado en minera de datos aplicando el algoritmo


Association Rules en la empresa Mltiples Equipos y Servicios en el ao 2015.

2. Objetivos Especficos

Realizar un diagnstico de la situacin actual y un levantamiento de los procesos


involucrados con la creacin de reportes.

Disear un modelo basado en minera de datos para la empresa Mltiples


Equipos y Servicios para mostrar resultados.

Evaluar la solucin mediante la norma ISO 9126 con el criterio de usabilidad.

18
V. Hiptesis.

A travs de la solucin de minera de datos, aplicando Reglas de Asociacin se


extraer informacin, la cual fortalecer el proceso de ventas en la empresa Mltiples
Equipos y Servicios S.A.

19
VI. Marco Terico

6.1. Datos, informacin y conocimiento.

La informacin es el conjunto de datos procesados y ordenados los cuales aportan


conocimiento (Norton, 2002). Por lo tanto con la informacin que disponemos podemos
llegarnos a plantear que es lo que obtendremos al poder analizarla.

Segn (Han j, Data Mining: concepts and tecniques, 2001), todo esto se convierte en el
ciclo de la vida de la informacin, enfatizando el hecho de que las acciones que
ejecutamos a partir del conocimiento obtenido, proporcionan nuevos datos, que son
susceptibles de volverse a analizar, para obtener nueva informacin y nuevo
conocimiento.

En el mercado actual, las empresas necesitan sacar ventajas de la informacin que


mantienen para lograr la excelencia y alcanzar los niveles adecuados de competencia,
utilizando la informacin para apoyar la toma de decisiones y definir estrategias de
negocios que permitan diferenciarse y en suma, alcanzar el xito. (Hand, 2001)

6.2. Sistemas de informacin.

Un sistema de informacin (SI) es un conjunto de personas, datos, procesos,


funciones, interfaces, redes y tecnologas que interactan entre s para apoyar y mejorar
las operaciones diarias de la empresa, as como tambin la toma de decisiones. (Alegsa,
2010)El objetivo de los SI es transformar los datos en informacin y conocimiento til, de
tal forma que el negocio pueda solucionar sus problemas.

Segn (Peralta, 2008) los sistemas de informacin se clasifican en 3 tipos:

a) Transaccionales:

20
Se encargan de automatizar tareas y procesos que se realizan a diario en la empresa,
manejando datos del funcionamiento de la organizacin. Se mantienen grandes
cantidades de datos y a un nivel detallado.

A pesar de ser una fuente de datos completa, este tipo de sistema no se utiliza en la toma
de decisiones de alto nivel, porque al procesar una gran cantidad de datos tarda en
entregar las respuestas y adems, no responde a todas las preguntas que puede tener
el negocio ya que slo cuenta con clculos simples.

b) De apoyo a las decisiones:

Brindan soporte al usuario final de un proceso de negocio, entregndole informacin til


en las cuales basar sus decisiones.

Este tipo de sistema realiza un pre-procesamiento de los datos transaccionales, por lo


que requiere de un menor trabajo al momento de entregar sus respuestas, las cuales son
mucho ms rpidas.

Aplicaciones de estos sistemas se presentan en los modelos de inventario, compra de


materiales, programacin de produccin, etc.

c) Estratgicos:

Apoyan a la empresa en decisiones de alto nivel en el mediano-largo plazo. Estos


sistemas se tienen que adaptar a las necesidades del negocio, se desarrollan de forma
incremental adicionando nuevos procesos o funciones a las consideradas en una etapa
inicial.

Un ejemplo de estos sistemas son los ERP (Planificacin de recursos empresariales),


sistemas modulares que se integran y adaptan a la realidad de la empresa, para gestionar
los procesos de negocio y satisfacer las necesidades de informacin de cada rea que
los utilice.

21
As como los sistemas de informacin nombrados anteriormente, se han diseado otras
herramientas para el manejo de informacin orientadas al procesamiento en lnea, estos
son los llamados OLTP y OLAP, los cuales se explicarn a continuacin.

6.3. Sistemas OLTP y OLAP

Los sistemas OLTP (Procesamiento de transaccin en lnea) surgen a mediados de


1970, con el fin de almacenar grandes volmenes de informacin y capturar las
transacciones que realizaban los negocios a diario (en tiempo real), con aplicacin en
sistemas de reservas, entrada de pedidos, sistemas bancarios, control de manufactura,
etc. (W.Hinmon., 2005)

Los sistemas OLTP trabajan con bases de datos relacionales y estn diseados para
almacenar y modificar continuamente datos de la operacin diaria de un negocio. Sin
embargo, no todos los datos almacenados son relevantes para los reportes o anlisis que
los usuarios de las empresas buscan, es decir, OLTP es limitado para la toma de
decisiones y por lo tanto se requiere de un trabajo adicional sobre los datos para darles
un formato o estructura que permita capturar el valor de la informacin (Chang, 2006).

Las consultas histricas en este tipo de sistemas producen un impacto negativo en la


operacin, pues su orientacin se centra ms en la aplicacin que en los usuarios. Por
ejemplo, si se quiere agrupar la informacin para obtener las ventas totales de un ao,
OLTP no es eficiente en los tiempos de respuesta (Velasquez, Data Warehouse, 2009)

La arquitectura DataWarehouse (almacn de datos) fue diseada especficamente para


cubrir la brecha que tienen los sistemas OLTP en la entrega de informacin para los
usuarios, consolidando las fuentes de informacin en una base nica y consistente, en la
cual se tiene la informacin de forma agregada para responder rpidamente a las
preguntas del negocio (U.Dayal, 1997).

En el ao 1993 aparece el concepto de OLAP (Procesamiento analtico en lnea), que


son sistemas para extraer informacin relevante del negocio desde bases de datos
22
complejas, analizando la informacin y entregando una respuesta rpida a las consultas
de los usuarios (V.Palace, 2008).

Los sistemas OLAP trabajan en lnea con datos resumidos en una estructura
multidimensional, a diferencia de los OLTP que tienen una estructura relacional, por este
motivo los OLAP obtienen resultados ms giles a las consultas (V.Palace, 2008).

La informacin en los sistemas OLAP se obtiene desde mltiples fuentes y dispone en


variados formatos, ya sea tablas, grficos o reportes para que la utilicen reas del negocio
como ventas, marketing, control de gestin, etc.

OLAP muestra ser ms eficiente que OLTP cuando los usuarios necesitan tomar
decisiones basados en datos del negocio. Adems, permite generar reportes cambiando
los atributos que se quieran ver, realizando los clculos en lnea. Existen dos formas de
clasificar los sistemas OLAP, la diferencia est en el tipo de base de datos que se utiliza
(U.Dayal, 1997) (Velasquez, Data Warehouse, 2009).

Las principales diferencias entre ambos sistemas se resumen en la Tabla 1.

OLTP OLAP
Orientado a la operacin diaria y al Orientado al usuario que toma las
funcionamiento de las aplicaciones decisiones del negocio.
transaccionales.
La informacin se almacena en bases de La informacin se almacena en estructuras
datos relacionales, con datos multidimensionales, y se accede para hacer
normalizados, y se accede consultas.
principalmente para insertar, modificar o
eliminar datos.

23
Muchos usuarios acceden a modificar los Los datos permanecen estticos hasta su
datos constantemente. prxima actualizacin, los usuarios slo
acceden para lectura de los datos.
El tamao de la base de datos El tamao de la base de datos puede ser
incrementa rpidamente, por lo cual se le muy grande debido a la redundancia de
da preferencia a los datos ms actuales. datos. Los datos histricos y actuales son
Se busca tener la mnima redundancia igual de importantes.
posible y consistencia en los datos.

Tabla 1: Diferencias entre OLTP Y OLAP

6.4. MOLAP

Procesamiento analtico en lnea multidimensional: Esta implementacin almacena


informacin pre-calculada en una base de datos multidimensional, optimizando los
tiempos de respuesta.

6.5. ROLAP

Procesamiento analtico en lnea relacional: En este caso la informacin se guarda a nivel


detallado en una base de datos relacional, diferente al modelo entidad-relacin, ya que
posee tablas des-normalizadas.
Algunas representaciones de esto son el Modelo estrella y el Modelo copo de
nieve. La principal ventaja de esta arquitectura es que permite el anlisis de una enorme
cantidad de datos.

6.6. Categoras de los Sistemas de Informacin

Los sistemas de Informacin se dividen en dos categoras (Casares, 2003):


Sistemas operacionales:

24
Son aquellos que tienen como objetivos reflejar el estado y funcionamiento de la
empresa registrando las transacciones u operaciones diarias.

Sistemas para el soporte de decisiones:


Son aquellos que tienen como objetivos medir y controlar el desarrollo de las variables
importantes del negocio, buscando identificar, proyectar y predecir tendencias a partir de
los datos acumulados.

Desde que se inici la era de la computadora, las organizaciones han usado los datos
desde sus sistemas operacionales para atender sus necesidades de informacin.
Algunas proporcionan acceso directo a la informacin contenida dentro de las
aplicaciones operacionales. Otras, han extrado los datos desde sus bases de datos
operacionales para combinarlos de varias formas no estructuradas, en su intento por
atender a los usuarios en sus necesidades de informacin (Casares, 2003).

Bill Inmon (2007), fue uno de los primeros autores en escribir sobre el tema de almacenes
de datos, ste define el concepto de almacn de datos en trminos de las caractersticas
del repositorio de datos las cuales pueden ser:

Orientado a temas: Los datos en la base de datos estn organizados de manera que
todos los elementos de datos relativos al mismo evento u objeto del mundo real queden
unidos entre s.
Variante en el tiempo: Los cambios producidos en los datos a lo largo del tiempo quedan
registrados para que los informes que se puedan generar reflejen esas variaciones.

No voltil: La informacin no se modifica ni se elimina, una vez almacenado un dato, ste


se convierte en informacin de slo lectura y se mantiene para futuras consultas.
Integrado: La base de datos contiene los datos de todos los sistemas operacionales de
la organizacin y dichos datos deben ser consistentes.

25
Los mercados de datos son subconjuntos de datos, de un almacn de datos para reas
especficas. Desde el punto de vista de diseo, se aplica en el mercado de datos todo lo
que es aplicable a un almacn de datos (Inmon, 2007).

El Modelo Dimensional es el ms usado en los sistemas de almacenes de datos. Este


modelo se basa en dimensiones, las cuales representan categoras de informacin y
atributos que representan un nico nivel dentro de una dimensin. Pueden existir
jerarquas de atributos las cuales expresan relaciones entre diferentes ellos y por ltimo,
tablas de hechos, las cuales contienen datos de inters, que presentan un nivel de
granularidad. La granularidad es el nivel ms bajo de informacin que ser almacenado
en la tabla de hechos.

6.7. Modelamiento multidimensional

El modelamiento multidimensional (MMD) es una tcnica para modelar lgicamente


bases de datos, de tal forma que el usuario comprenda la relacin entre los atributos o
variables que est analizando.

Se implementa en un repositorio de informacin, que puede ser utilizado para la creacin


de reportes que requiera el usuario final o para la aplicacin de tcnicas de extraccin de
patrones de datos. Se presenta como un apoyo a la arquitectura almacn de datos, ya
que ofrece una forma integrada de ver la informacin (M.ross, 2002) (V.Palace, 2008).

La representacin de lo anterior se hace utilizando los conceptos de dimensiones y


medidas, definiendo las dimensiones como los atributos, categoras o jerarquas por
las que se quiere agrupar o mostrar la informacin, y las medidas como las mtricas o
valores cuantitativos.

En cada una de estas jerarquas se cuenta con un punto de agregacin, es decir, un


valor pre-calculado. Esto lo hace diferente de las herramientas tradicionales OLAP, que
necesitan calcular los datos al momento de su consulta (V.Palace, 2008)

26
6.8. Bases de datos relacionales.

Una base de datos (BD) es una fuente central de datos destinados a compartirse entre
muchos usuarios para una diversidad de aplicaciones. El corazn de una BD lo constituye
el sistema de administracin de bases de datos (DBMS, database management system),
el cual permite la creacin, modificacin y actualizacin de la BD, la recuperacin de
datos y la generacin de informes y pantallas. (Kendall & Kendall, 2005)

Las bases de datos se pueden organizar de varias formas. El ms comn es la base de


datos relacional.

6.9. Vistas lgicas y fsicas de datos

Una base de datos es diseada para ser compartida por muchos usuarios, los cuales ven
de los datos de formas diferentes. Una vista de usuario se refiere a la forma de visualizar
y describir los datos.

Se debe desarrollar un modelo lgico global de la base de datos, finalmente dicho modelo
se debe transformar en el diseo fsico correspondiente de la base de datos. El diseo
fsico describe la forma como se almacenan y relacionan los datos, as como tambin la
forma en que acceden. (Kendall & Kendall, 2005)

Las bases de datos se clasifican como estticas: sirven para su lectura y


almacenamiento. Dinmicas: la informacin se modifica y puede ser actualizada.
Tambin, segn su contenido pueden ser bibliogrficas, de texto completo, directorios, o
de tipo biblioteca.

Los usos de las bases de datos son tan mltiples que, por ejemplo, pueden utilizarse en
una biblioteca o archivo que guarda libros para su consulta frecuente, pero tambin
pueden emplearse para guardar material biolgico, como un archivo gentico o un banco
de esperma que almacena esperma para ser utilizado en fertilizacin.

27
Este tipo de clasificadores contribuyen, por supuesto, a labores diarias de casi todo tipo
de empleos, como registrar las comunicaciones que se sostienen con clientes, almacenar
datos de proveedores, archivar datos, nmeros y todo tipo de informacin que el usuario
quiera poner en relacin o encontrar fcilmente con slo ingresar una palabra clave.

6.10. Esquemas del diseo dimensional

Esquema Estrella: Una tabla de hechos en el centro conectada con un conjunto


de tablas de dimensiones.
Esquema Copo de Nieve: Un refinamiento del anterior donde algunas dimensiones
se normalizan en tablas ms pequeas.
Constelacin de Hechos: Mltiples tablas de hechos comparten tablas de
dimensin que se visualizan como una constelacin de hechos.
La gestin administrativa (Casares, 2003) reconoce que una manera de elevar su
eficiencia est en hacer el mejor uso de los recursos de informacin que ya existen dentro
de la organizacin. El almacn de datos, es actualmente, el centro de atencin de las
grandes instituciones, porque provee un ambiente para que las organizaciones hagan un
mejor uso de la informacin que est siendo administrada por diversas aplicaciones
operacionales.

La arquitectura de un almacn de datos consta de tres niveles:


Bases de datos fuentes (produccin e histricos).
Una base de datos con datos resumidos extrados de las bases de produccin
(almacn de datos).
Interfaces orientadas a usuarios que extraen informacin para la toma de
decisiones. Las clsicas son: consultas y reportes, anlisis multidimensional y
Minera de Datos.

6.11. Base de datos fuentes

Consiste en bases de datos de produccin as como en histricos de dichas bases.


Estas bases de datos pueden estar implementadas en diferentes tipos de sistemas:

28
BD-Relacionales
BD-geogrficas
BD-textos, archivos
Una caracterstica comn es que almacenan tems de datos atmicos, los cuales
son relevantes como datos de produccin, pero pueden ser demasiado finos para servir
como base para la toma de decisiones. Adems, la nocin de calidad de los datos en
estas bases se basa en la consistencia de dichos registros, independientemente de la
relevancia que estos tengan dentro del problema.
Un componente importante en el almacn de datos es el Diccionario de Datos
(Meta-Data), en el mismo se describen los datos almacenados con el objetivo de facilitar
el acceso a los mismos a travs de las herramientas de explotacin del almacn de datos.
El Diccionario de Datos establece correspondencias entre los datos almacenados
y los conceptos que estos representan para facilitar la extraccin de informacin por parte
del usuario final.

6.12. Interfaces orientadas a usuarios que extraen informacin para la toma de


decisiones

Interfaces para consultas y reportes complejos: Permiten al usuario construir


grficas y reportes a partir de la informacin contenida en el almacn de datos y
descrita a travs del Diccionario de Datos.

Algunas funcionalidades tpicas de estas herramientas son:


Agrupamiento y des agrupamiento dinmico de datos en reportes
Cambios en el orden de los campos del reporte
Visualizacin del resultado de las consultas en forma grfica (barras, torta, puntos,
etc.).

Estas herramientas generan las expresiones en el lenguaje de consulta que


recupera los datos pedidos (tpicamente SQL), se conectan al almacn de datos,
recuperan el resultado y lo formatean segn la especificacin dada.

29
Productos de anlisis de datos (OLAPs): Permiten representar los datos del
problema en trminos de dimensiones. Por ejemplo, si se trata de ventas de
productos en diferentes zonas, una dimensin del problema son las zonas, otra
los productos y otra el tiempo. De esta manera, las consultas de anlisis de datos
de una dimensin en funcin de la otra se realizan en forma inmediata.

Herramientas de Minera de Datos: Permiten explorar el almacn de datos en


bsqueda de relaciones desconocidas o inesperadas entre los datos.

Las principales motivaciones para construir un almacn de datos son las siguientes
(Casares, 2003):
Disponer de Sistemas de Informacin de apoyo a la decisin.
Disponer de bases de datos que permitan extraer conocimiento de la informacin
histrica almacenada en la organizacin.
Disear una base de datos que permita ejecutar consultas desconocidas.

6.13. La Minera de Datos y el Descubrimiento de Conocimiento en Bases de


Datos.

La Minera de Datos (DM) por las siglas en ingls Data Mining es el proceso de extraer
conocimiento til y comprensible, previamente desconocido, desde grandes cantidades
de datos almacenados en distintos formatos (Frank, 2000).

Las herramientas de Data Mining predicen futuras tendencias y comportamientos,


permitiendo en los negocios la toma de decisiones.

Existen trminos que se utilizan frecuentemente como sinnimos de la minera de datos.


Uno de ellos se conoce como "anlisis (inteligente) de datos" (Bberthold, 2003), que suele
hacer un mayor hincapi en las tcnicas de anlisis estadstico.

30
Otro trmino muy utilizado, y el ms relacionado con la minera de datos, es la extraccin
o " descubrimiento del conocimiento en bases de datos" (Knowledge Discovery in
Databases KDD, segn sus siglas en ingls). (Orallo Hernandez, 2004)

Aunque algunos autores usan los trminos Minera de Datos y KDD indistintamente,
como sinnimos, existen claras diferencias entre los dos. As la mayora de los autores
coinciden en referirse al KDD como un proceso que consta de un conjunto de fases, una
de las cuales es la minera de datos (Bberthold, 2003).

De acuerdo con esto, el proceso de minera de datos consiste nicamente en la


aplicacin de un algoritmo para extraer patrones de datos y se llamar KDD al proceso
completo que incluye pre-procesamiento, minera y post-procesamiento de los datos.

El KDD segn (Fayyand, 1996) es la extraccin automatizada de conocimiento o patrones


interesantes, no triviales, implcitos, previamente desconocidos, potencialmente tiles y
predictivos de la informacin de grandes Bases de Datos.

Las investigaciones en temas de KDD incluyen anlisis estadstico, tcnicas de


representacin del conocimiento y visualizacin de datos, entre otras. Algunas de las
tareas ms frecuentes en procesos de KDD son la clasificacin y Clustering, el
reconocimiento de patrones, las predicciones y la deteccin de dependencias o
relaciones entre los datos.

6.14. Proyectos en Minera de Datos

Los pasos a seguir (Han & M., 2001) para la realizacin de un proyecto de minera de
datos son siempre los mismos, independientemente de la tcnica especfica de
extraccin de conocimiento usada.

Ilustracin 1: Fases dentro de un proceso de Minera de Datos

31
Seleccin
de
Caractersticas

Extraccin de
Preprocesado
conocimiento

Seleccin Evaluacin

Modelo
Clasificador
Bases
de
De
Conocimiento
Datos

El proceso de minera de datos pasa por las siguientes fases:


a) Comprensin del negocio y del problema que se quiere resolver.

b) Filtrado de datos:
El formato de los datos contenidos en la fuente de datos nunca es el correcto, y la mayora
de las veces no es posible ni siquiera utilizar algn algoritmo de minera sobre los datos
iniciales sin que requieran alguna transformacin.

En este paso se filtran los datos con el objetivo de eliminar valores incorrectos, no vlidos
o desconocidos; segn las necesidades y el algoritmo a utilizar. Adems se obtienen
muestras de los datos en busca de mayor velocidad y eficiencia de los algoritmos, o se
reducen el nmero de valores posibles para los atributos de anlisis.

c) Seleccin de variables:
Despus de realizar la limpieza de los datos, en la mayora de los casos se tiene una
gran cantidad de variables o atributos. La seleccin de caractersticas reduce el tamao
de los datos, sin apenas sacrificar la calidad del modelo de conocimiento obtenido del
proceso de minera; seleccionando las variables ms influyentes en el problema.

Los mtodos para la seleccin de los atributos que ms influencia tienen en el


problema son bsicamente dos:

32
Aquellos basados en la eleccin de los mejores atributos del problema.
Aquellos que buscan variables independientes mediante test de sensibilidad,
algoritmos de distancia o heursticos.

d) Extraccin de Conocimiento
La extraccin del conocimiento es la esencia de la Minera de Datos donde mediante
una tcnica, se obtiene un modelo de conocimiento, que representa patrones de
comportamiento observados en los valores de las variables del problema o relaciones de
asociacin entre dichas variables.

Los modelos que se generan son expresados de diversas formas:


reglas
rboles
redes neuronales

Tambin pueden usarse varias tcnicas a la vez para generar distintos modelos, aunque
generalmente cada tcnica obliga a un pre-procesado diferente de los datos.

e) Interpretacin y Evaluacin

Una vez obtenido el modelo, se procede a su validacin; donde se comprueba que las
conclusiones que arroja son vlidas y suficientemente satisfactorias. En el caso de haber
obtenido varios modelos mediante el uso de distintas tcnicas, se deben comparar los
modelos para buscar el que se ajuste mejor al problema. Si ninguno de los modelos
alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para
generar nuevos modelos.

6.15. Tcnicas de Minera de Datos.

La minera de datos es el estudio y tratamiento de datos masivos para extraer


conclusiones e informacin relevantes de ellos. La minera de datos se aplica a todo tipo
de datos imaginables: desde datos numricos a imgenes de satlite, msica, archivos

33
de ordenador, etctera. Podemos decir que cualquier cosa constituye un dato. Por tanto
la minera de datos tiene infinitas aplicaciones: comerciales, marketing, industria, internet,
agricultura, entre otros. (Chang, 2006)

Con miles de datos, necesitamos limpiarlos (eliminar fragmentos intiles,


repetidos) y organizarlos y una vez realizado este proceso decimos que tenemos
informacin.

La informacin hay que tratarla como un modelo para obtener resultados o


conclusiones a los que llamamos conocimiento, es decir, la informacin analizada. Para
este anlisis hay diferentes modelos de minera de datos. Un modelo es una forma de
aplicar un tratamiento a una cantidad masiva de datos para extraer una informacin
masiva de ellos.

6.16. Explicacin del algoritmo del Subtema.

Dada la necesidad de la empresa Mltiples Equipos y Servicios S. A. por mejorar y


retomar el xito en sus ventas se nos ha dado la tarea de presentarle los distintos
artculos relacionados entre s para ofertarlos juntos dada la alta compatibilidad de ellos,
por este motivo optamos por presentar el algoritmo reglas de asociacin.

Este nos permitir ligar productos y presentar relaciones que lleven de la mano a la
empresa a ofertar paquetes atractivos a sus clientes

6.17. Modelo que aplicarn para la elaboracin de la aplicacin.

Reglas de Asociacin
La minera de reglas de asociacin consiste en encontrar reglas de la forma
(A1yA2y...yAm) => (B1yB2y...yBn), donde Ai y Bj son valores de atributos del conjunto
de datos (Chen, 1996).

34
Por ejemplo, se podra encontrar en un gran repositorio de datos de compras en
un supermercado, la regla de asociacin correspondiente a que si un cliente compra
leche, entonces compra pan.

Una regla de asociacin es una sentencia probabilstica acerca de la co-ocurrencia


de ciertos eventos en una base de datos, y es particularmente aplicable a grandes
conjuntos de datos (Hand, 2001).

Los modelos de asociacin se generan basndose en conjuntos de datos que


contienen identificadores para casos individuales y para los elementos que contienen los
casos. Un grupo de elementos de un caso se denomina un conjunto de elementos.
Un modelo de asociacin se compone de una serie de conjuntos de elementos y de
las reglas que describen cmo estos elementos se agrupan dentro de los casos. Las
reglas que el algoritmo identifica pueden utilizarse para predecir las probables compras
de un cliente en el futuro, basndose en los elementos existentes en la cesta de compra
actual del cliente.

6.18. Datos requeridos para los modelos de asociacin

Al preparar los datos para su uso en un modelo reglas de asociacin, conviene


comprender qu requisitos son imprescindibles para el algoritmo concreto, incluidos el
volumen de datos necesario y la forma en que estos datos se utilizan.

Acorde a (Microsoft, 2015) los requisitos para un modelo de reglas de asociacin son los
siguientes:

Una nica columna key: Cada modelo debe contener una columna numrica o de
texto que identifique cada registro de manera nica. No estn permitidas las claves
compuestas.

35
Una nica columna de prediccin: Un modelo de asociacin slo puede tener una
columna de prediccin. Normalmente, se trata de la columna de clave de la tabla anidada,
como el campo que contiene los productos que se han comprado. Los valores deben ser
discretos.
Columnas de entrada: Las columnas de entrada deben ser discretas. Los datos de
entrada de un modelo de asociacin suelen encontrarse en dos tablas. Por ejemplo, una
tabla puede contener la informacin del cliente y la otra las compras de ese cliente. Es
posible incluir estos datos en el modelo mediante el uso de una tabla anidada.

Una vez procesado el modelo, puede utilizar las reglas y los conjuntos de
elementos para realizar predicciones. En un modelo de asociacin, una prediccin indica
qu elemento es probable que se produzca dada la presencia del elemento especificado,
y la prediccin puede incluir informacin como la probabilidad, el soporte o la
importancia.

El proceso de crear conjuntos de elementos y contar las correlaciones puede llevar


mucho tiempo. Aunque el algoritmo Reglas de asociacin de Microsoft utiliza tcnicas de
optimizacin para ahorrar espacio y agilizar el procesamiento, es conveniente saber que
se pueden presentar problemas de rendimiento en determinadas circunstancias como las
que se mencionan a continuacin:

El conjunto de datos es grande y tiene muchos elementos individuales.


El tamao mnimo establecido para el conjunto de elementos es demasiado
pequeo.

Para minimizar el tiempo de procesamiento y reducir la complejidad de los conjuntos


de elementos, se puede intentar agrupar en categoras los elementos relacionados antes
de analizar los datos.

36
6.19. Herramientas de Minera de datos.

Las herramientas de la minera de datos permiten extraer patrones, tendencias y


regularidades para describir y comprender mejor los datos y para predecir
comportamientos futuros.
La minera de datos analiza los datos y las herramientas citadas a continuacin
facilitan el acceso a la informacin para que el anlisis sea ms efectivo, es decir, son
instrumentos de apoyo a la minera de datos.

A continuacin se nombran algunas herramientas de minera de datos, segn


(Lpez & Gonzlez, 2007):

Clementine/SPSS: Herramienta que permite desarrollar modelos predictivos y


desplegarlos para mejorar la toma de decisiones. Est diseada teniendo en cuenta a los
usuarios empresariales, de manera que no es preciso ser un experto en minera de datos.

Dlife/Apara: Plataforma bioinformtica para la toma de decisiones clnicas.


Proporciona un soporte computacional a la toma de decisiones mdicas en los procesos
de diagnstico, tratamiento y seguimiento de la evolucin de los pacientes que permite a
los profesionales clnicos incrementar su precisin y la eficiencia de la prestacin sanitaria
en una media del 20%.

Dvelox 2.5/ Apara: Plataforma analtica para la toma de decisiones en tiempo real que
predice los escenarios futuros ms probables para optimizar los procesos crticos de
cualquier empresa, Est orientada a los sectores de banca, finanzas y marketing.

IBM DB2 Warehouse Enterprise edition/IBM : DWE utiliza los algoritmos de


IntelligentMiner para analizar los datos del warehouse y proporcionar alertas en los
clientes y en el comportamiento del negocio.

37
Microsoft SQL Server 2005 / Microsoft: Solucin que ofrece un entorno integrado para
crear modelos de minera de datos (Data Mining) y trabajar con ellos. La solucin SQL
Server Data Mining permite el acceso a la informacin necesaria para tomar decisiones
inteligentes sobre problemas empresariales complejos. Data Mining es la tecnologa de
inteligencia de negocios que ayuda a construir modelos analticos complejos e integrar
esos modelos con sus operaciones comerciales.

MicroStrategy Data MiningServices /Microstrategy: Componente de la plataforma de BI


de MicroStrategy que proporciona a los usuarios, modelos predictivos de data mining.
Permite realizar tareas de data mining mediante el uso de mtricas construidas con
funciones predictivas o importadas de modelos de datos de herramientas de data mining
de terceros.

SAS Analytics /SAS: Suite de soluciones analticas que permiten transformar todos los
datos de la organizacin en conocimiento, reduciendo la incertidumbre, realizando
predicciones fiables y optimizando el desempeo.

SAS Enterprise Miner / SAS: Solucin de minera de datos que proporciona gran cantidad
de modelos y de alternativas. Permite determinar pautas y tendencias, explica resultados
conocidos e identifica factores que permiten asegurar efectos deseados. Adems,
compara los resultados de las distintas tcnicas de modelizacin, tanto en trminos
estadsticos como de negocio, dentro de un marco sencillo y fcil de interpretar.

El personal con que cuenta la empresa es no es muy numeroso, pero se encuentra


capacitado para aclarar dudas a los clientes.

6.20. Norma ISO 9126

La norma ISO 9126 es un estndar internacional para la evaluacin de la calidad del


software. El modelo clasifica la calidad del software en un conjunto estructurado de
caractersticas y Subcaractersticas de la siguiente manera:

38
a) Funcionabilidad: Es un conjunto de atributos que se relacionan con la existencia
de un conjunto de funciones y sus propiedades especficas. Las funciones son aquellas
que satisfacen las necesidades implcitas o explcitas.

Subcaractersticas:

Adecuacin: Atributos del software relacionados con la presencia y aptitud de un


conjunto de funciones para tareas especificadas.

Exactitud: Atributos del software relacionados con la disposicin de resultados o


efectos correctos o acordados.

Interoperabilidad: Atributos del software que se relacionan con su habilidad


para la interaccin con sistemas especificados.
Seguridad: Atributos del software relacionados con su habilidad para prevenir
acceso no autorizado ya sea accidental o deliberado, a programas y datos.
Cumplimiento funcional.

b) Fiabilidad: Un conjunto de atributos relacionados con la capacidad del software de


mantener su nivel de prestacin bajo condiciones establecidas durante un perodo
establecido.

Subcaractersticas:
Madurez: Atributos del software que se relacionan con la frecuencia de falla por fallas en
el software.
Recuperabilidad: Atributos del software que se relacionan con la capacidad para
restablecer su nivel de desempeo y recuperar los datos directamente afectos en caso
de falla y en el tiempo y esfuerzo relacionado para ello.
Tolerancia a fallos: Atributos del software que se relacionan con su habilidad para
mantener un nivel especificado de desempeo en casos de fallas de software o de una
infraccin a su interfaz especificada.

39
Cumplimiento de Fiabilidad: La capacidad del producto software para adherirse a
normas, convenciones o legislacin relacionadas con la fiabilidad.

c) Usabilidad: Un conjunto de atributos relacionados con el esfuerzo necesario para


su uso, y en la valoracin individual de tal uso, por un establecido o implicado
conjunto de usuarios.

Subcaractersticas:
Aprendizaje: Atributos del software que se relacionan al esfuerzo de los usuarios
para reconocer el concepto lgico y sus aplicaciones.
Comprensin: Atributos del software que se relacionan al esfuerzo de los usuarios
para reconocer el concepto lgico y sus aplicaciones.
Operatividad: Atributos del software que se relacionan con el esfuerzo de los
usuarios para la operacin y control del software.
Atractividad.

d) Eficiencia: Conjunto de atributos relacionados con la relacin entre el nivel de


desempeo del software y la cantidad de recursos necesitados bajo condiciones
establecidas.
Subcaractersticas:
Comportamiento en el tiempo: Atributos del software que se relacionan con los
tiempos de respuesta y procesamiento y en las tasas de rendimientos en desempear
su funcin.
Comportamiento de recursos: Usar las cantidades y tipos de recursos adecuados
cuando el software lleva a cabo su funcin bajo condiciones determinadas.

e) Mantenibilidad: Conjunto de atributos relacionados con la facilidad de extender,


modificar o corregir errores en un sistema software.

Subcaractersticas:

40
Estabilidad: Atributos del software relacionados con el riesgo de efectos
inesperados por modificaciones.

Facilidad de anlisis: Atributos del software relacionados con el esfuerzo necesario


para el diagnstico de deficiencias o causas de fallos, o identificaciones de partes a
modificar.

Facilidad de cambio: Atributos del software relacionados con el esfuerzo necesario


para la modificacin, correccin de falla, o cambio de ambiente.

Facilidad de pruebas: Atributos del software relacionados con el esfuerzo


necesario para validar el software modificado.

f) Portabilidad: Conjunto de atributos relacionados con la capacidad de un sistema


software para ser transferido desde una plataforma a otra.
Subcaractersticas:
Capacidad de instalacin: Atributos del software relacionados con el esfuerzo
necesario para instalar el software en un ambiente especificado.

Capacidad de reemplazamiento: Atributos del software relacionados con la


oportunidad y esfuerzo de usar el software en lugar de otro software especificado en el
ambiente de dicho software especificado.

Adaptabilidad: Atributos del software relacionados con la oportunidad para su


adaptacin a diferentes ambientes especificados sin aplicar otras acciones o medios que
los proporcionados para este propsito por el software considerado.

Co-Existencia: Coexistir con otro software independiente, en un entorno comn,


compartiendo recursos comunes.

41
6.21. Resea histrica de la empresa.

La empresa Mltiples equipos y servicios S.A. fue fundada en el 1982, dedicada


a la venta de equipos y accesorios varios. Cuenta con un amplio stock de mercadera de
los cuales hay algunos que cuenta con gran demanda, sin embargo otros se encuentran
estancados.
La empresa tambin cuenta con una base de datos en la que tiene importante
informacin acerca de sus clientes, considerando esta para ofrecerles un producto acorde
a sus necesidades.

42
VII. Diseo Metodolgico

1. Tipo de Estudio.

De acuerdo al muchos estudios metodolgicos el tipo estudio es Retrospectivo ya


que analizaremos los movimientos previos de la empresa.
El Mtodo de estudio es transversal dado que estudia variables en determinado
momento. De acuerdo a mltiples anlisis segn el tiempo de ocurrencia de los hechos
y registro de la informacin.
El estudio es descriptivo, tendremos una seleccin de variables especficas a
estudiar, en este caso las ventas o compras realizadas.

2. Universo del estudio.

El estudio es realizado en la empresa Mltiples Equipos y Servicios de Managua


en el segundo semestre del ao 2015. Utilizaremos el algoritmo reglas de asociacin,
detectando eventos asociados que se ocultan en la base de Datos, este anlisis se
realizara para encontrar combinaciones, asociando pares con probabilidades N.

3. Muestra.

Los trabajadores de la empresa Mltiples Equipos y servicios S.A. de Managua en


el rea de inventario en relacin a las ventas y compras de productos por un determinado
tiempo.
Muestra
Cargos Cantidad de Muestra
Gerente 1
Encargados de Ventas 3
Encargados de Inventarios 2
Vendedores 5
Total de la muestra 11

43
4. Instrumentos para la recoleccin de datos e informacin

Se utiliz la entrevista a encargados de reas de la empresa.


La observacin, pero sin influir en el entorno.
Posteriormente de la aplicacin de la solucin. se elabor una encuesta para
conocer y evaluar el uso de la tcnica de minera de datos.

5. Procedimientos para la recoleccin de datos e informacin.

La informacin reflejada en este documento, acerca del funcionamiento deseado para


anlisis para minera de datos, se obtuvo a travs de entrevistas al personal de la
empresa como son gerentes, administrador, vendedores, y a algunos clientes rutinarios,
ya que la informacin precisada debe ser detallada y relevante para colaborar con los
analistas. Adems, la observacin ayuda a comprender el proceso y actitudes de los
trabajadores y funcionamiento del giro del negocio, es decir, es una herramienta para
ganar informacin que no se puede obtener a travs de las entrevistas.

Objeto de entrevista: Obtener informacin datos generales para la comprensin de las


necesidades de la empresa tomando en cuenta:

1) Proceso de compra de los productos.


2) Datos del control de inventario de entradas y salidas de productos a travs de las
ventas o compras de las mismas.

44
6. Herramientas utilizadas para realizar el modelo:

SQL Server Management Studio 2012


Microsoft SQL Server Data Tools Business
Modelo Minera de Datos Rules Association
Microsoft Excel 2013, complementos Data Mining

7. Etapas de la minera de datos

Ilustracin 1: Fases1:dentro
Ilustracin Etapasdedeunlaproceso
Minerade
deMinera
Datos de Datos

1) Determinar la base de datos a utilizar para conocer el problema a resolver.

2) Seleccin de la informacin que interesa analizar, en este caso las ventas y


compras de la empresa Mltiples Equipos y Servicios.

45
3) En el preprocesado se refiere a la limpieza de los datos, eliminar datos vacos,
nulos o redundantes.

4) Seleccionamos las tablas con las caractersticas necesarias para el


procesamiento de la informacin. Despus de aplicar los pasos anteriores la
base de datos con sus dimensiones sera la siguiente:

Ilustracin 2: Bases de datos conformada por las tablas de hechos y dimensiones.

5) Para la extraccin del conocimiento se utiliz modelo Reglas de Asociacin


se determina el uso de este modelo para analizar la informacin de los datos y
con ello tomar decisiones.

46
Ilustracin 3: Algoritmo Reglas de Asociacin

47
VIII. Presentacin y Anlisis de Resultados

La empresa Mltiples Equipos y Servicios S.A. durante aos ha crecido


desmesuradamente ofreciendo una amplia variedad de productos, dado al xito de la
empresa creci hasta abrir otras sucursales.

Gracias a su amplio stock de inventario los procesos de levantamiento del inventario para
el manejo de las compras ventas, cada sucursal debe emitir un reporte de solicitudes
de compras.

Su sistema est basado en libros de Excel, donde se lleva la contabilidad y reportes de


inventarios. Dadas las limitaciones de Excel se tom la decisin de crear una base de
datos, la cual no permite muchas acciones para un control de inventario ya que no tenan
una aplicacin que les permitiera emitir reportes y analizar la situacin de una forma clara.

A continuacin se muestra el esquema original el cual contiene toda la informacin


concerniente a la empresa. Empleados, Nmina, Facturas, Compras, Ventas, Clientes,
Proveedores, Sucursal, Almacn, Productos.

Se comprob la inconsistencia de los datos, algunos diferentes tipos, nombres de los


campos invlidos, asignacin incorrecta en las longitudes.

48
Ilustracin 4: Diagrama original Base de datos.

49
Para la aplicacin del algoritmo Reglas de asociacin, se cre una estructura utilizando
la herramienta Integration Services de Sql server 2012.

Ilustracin 5: Esquema Datawarehouse.

50
1. Scripts llenado Base de Datos

--Dim Clientes
SELECT[idcliente]ASIdCliente
,[direccion cliente]ASDireccion
,[Telefono]ASTelefono
,[nombreclientes]ASNombres
,[correoeletronico]ASCorreo
FROMclientes

--Dim Empleado
SELEC TE.idempleadoASIdEmpleado,
TE.nombretipoASTipo,
E.nombreemplASNombre,
E.direccionempASDireccion,
E.Telefono,
E.inssASINSS
FROM[dbo].[empleados]EINNERJOIN
[dbo].[tipoempleados]TEON
E.idtipo=TE.idtipo;

-- Dim Sucursal
SELECT
idsucursalASIdsucursal,
CiudadsucursalASCiudad,
Direccion,
nombresucursalASSucursal
FROM[dbo].[Sucursal]

--Dim tiempo
SELECT
fechaASFecha,
YEAR(fecha)ASAnio,
MONTH(fecha)ASMes,
CASEWHENMONTH(fecha)IN(1,2,3)THEN 1
WHENMONTH(fecha)IN(4,5,6)THEN 2
WHENMONTH(fecha)IN(7,8,9)THEN 3

51
WHENMONTH(fecha)IN(10,11,12)THEN 4
END
Trimestre,
CASEWHENMONTH(fecha)IN(1,2,3,4,5,6)THEN 1
WHENMONTH(fecha)IN(7,8,9,10,11,12)THEN 2
END
Semestre,
DATENAME(MONTH,fecha)ASMes_Letras,
DATENAME(WEEKDAY,fecha)AsDia_Letras
FROM[dbo].[venta]

--Dim Proveedores
Select
idproveedoresasIdproveedores,
nombreprovasNombre,
DireccionprovasDireccion,
telefono1asTelefono,
correoprovasCorreo
FROM[dbo].[Proveedores]

---Dim Productos
Select
P.idproductoasIdproducto,
P.nombreprodasNombre,
P.cantidadproductoasCantidad,
P.unidadmedidaasUnidadmedida,
ID.[existencias real]ASExistenciareal,
AP.stockmaxasStockmaximo,
ID.[existenciaventas]ASExistenciaventas,
AP.stockminasStockminimo
From[dbo].[productos]P
INNERJOIN[dbo].[inventariodepartamento]ID
ONP.idproducto=ID.idproducto
INNERJOIN
[dbo].[almacen-productos]AP
ONP.idproducto=AP.idproducto

52
Procederemos a utilizar una herramienta, integracin de servicios (Integration
Services) para la limpieza y procesamiento de los datos, eliminar campos repetitivos,
nombres o valores incompletos, datos inexistentes.

Seleccionamos el origen de datos de nuestras tablas (Empleados, Sucursal, Producto,


Tiempo, Proveedores, Cliente, Ventas, Compras).Luego de realizado todo el proceso se
obtiene el siguiente resultado por cada una de nuestras tablas, donde se procesa origen
de datos, conversin de datos, dimensin de variacin lenta.

Ilustracin 6: Dimensin Cliente Ilustracin 7: Dimensin Empleado

Ilustracin 8: Dimensin Sucursal

53
Ilustracin 9: Dimensin Producto

54
Ilustracin 11: Dimensin Tiempo

Ilustracin 10:Fact Table Ventas

55
Ilustracin 12: Origen de datos General de la tabla de Hechos Compras

56
Ilustracin 13: Esquema general del proceso de ventas.

Se procedi a ejecutar para la migracin de datos. Realizando a continuacin la seleccin


de los campos para el cubo de la siguiente manera (SSAS)

2. Creacin del cubo para anlisis de resultados

Para la realizacin de un nuevo proyecto se procede a configurar la conexin de


datos, asignando el nombre y la contrasea del equipo (debido a que el anlisis de
minera de datos es un proceso que debe tener seguridad para ser usado en servidores
se requiere de forma estricta una contrasea para poderse ejecutar).

57
En el asistente para vista de orgenes de datos se asigna un nombre y
seleccionamos las tablas relacionadas (Cliente, Empleado, Producto, Proveedor,
Sucursal, Tiempo, Compras, Ventas) que deben incluirse en la vista de origen de
datos para que de esta manera obtengamos el esquema siguiente:

Ilustracin 14: Esquema generado en la creacin del cubo.

58
En el esquema encontramos las dimensiones a utilizarse junto con las tablas de hecho
correspondientes, de esta manera se realiza el proceso de ejecucin de las tablas de
hecho finalizando correctamente y se genera el cubo de servicio.

Ya realizado todo nuestro proceso continuamos a utilizar Excel, utilizando el algoritmo de


reglas de asociacin y obteniendo los resultados de la siguiente tablas seleccionada.
Primeramente se toma la VW Ventas, se seleccionaron los campos que la conformara
idventas, Nombreproductos, Categora, Totalventas), resultando la siguiente tabla:

IdVentas NombreProducto Categorias TotalVenta


1 Papel carbon T/Legal (de 100 hojas) Productos para Corregir / Borrar 2072,7
1 Azcar de dieta de 100 unid.(Splenda) Productos de Papel en General 2072,7
1 Alfombra de hule de 3 piezas para automvil. Productos para Respaldo 2072,7
1 Discos Duros SATA de 1.0 TB 3.5" Productos para Marca Hp 2072,7
1 Adaptadores SATA/PATA/IDE/Drive to USB 2.0 Productos para Marca Hp 2072,7
1 Mdulo de Memoria RAM 2GB DDR2 para Laptop Satellite Pro U400 Accesorios de Computo 2072,7
1 Llave de pase de 1" Productos para Corregir / Borrar 2072,7
1 Aceite para Trituradora MBM 4005 Producto de Papel Impreso 2072,7
1 Terminal telefnico 2 ptos. Productos de Papel en General 2072,7
1 Pintura Amarillo Trafico Productos para Marca Hp 2072,7
1 Cinta correctora Smith Corona XL10001500 Productos para Respaldo 2072,7
1 Toner Brother TN210BK Negro Productos para Corregir / Borrar 2072,7
1 Toner Brother TN210Y yellow Productos para Marca Sharp 2072,7
1 Triton pro cepillo de algas 5" 9020 Producto de Papel Impreso 2072,7
1 Aceite Original para Trituradora MBM 4005 (Galn) Producto con Pegamentos 2072,7
1 Rollo Plstico negro en polietileno-calibre 1000-bobina de 100 yrds. Productos para Corregir / Borrar 2072,7

Tabla 2: Tabla Ventas- Producto

En esta se describe que artculos es posible que aparezca junto en una transaccin.

Para empezar se utiliz el anlisis de la cesta de compras, en la cual se obtiene el


siguiente resultado, recordemos que esta es utilizada para identificar los bienes o
servicios que se compran con frecuencia juntos, esta utilizada para anlisis en industrias
pequeas.

59
Ya generada la tabla en Excel, se procede a utilizarla con la herramienta de anlisis de
la Cesta de compra. Se seleccion id transaccin, elemento y validacin de valor
esperado. Resultando:

Elemento Incluido en la cesta de compra, donde se obtiene:

Lote de Elementos: Nombres de los elementos.


Tamao del lote: Cantidad de elementos juntos o conjunto de datos repetidos.
Nmero de Ventas: Cantidad de ese producto vendido.
Valor promedio de Ventas: Estimado de ventas Obtenidas.
Valor Global del Lote: En este se tiene la cantidad o valor global obtenidos por
las ventas de esos elementos.

Recomendaciones para la cesta, donde se obtiene:

Elementos seleccionados: Nombre de los Productos.


Recomendacin: Que productos seria apropiados vender.
Ventas de los elementos Seleccionados: Ventas de los elementos de la primera
celda.
Ventas Vinculadas: Posibles Ventas de los Productos de la segunda Celdas.
Porcentaje de ventas vinculadas: valor en porciento.
Promedio de recomendacin: Que promedio de las ventas tendran los
productos.
Valor global de las ventas Vinculadas Total global de las ventas obtenidas en
monedas por esa cantidad de producto.

60
Elementos incluidos en la cesta de la compra
Tamao del Nmero de Valor promedio Valor global
Lote de elementos lote ventas por venta del lote
Wipe hmedo, Tornillo Gypsun 3" 2 25 362 9050
Toner HP CE251A-CP3525 Celeste, Extensiones para pintar 2 23 388 8924
Zener galon, Toner HP CE251A-CP3525 Celeste 2 23 386 8878
Fast Dry Esmalte Blanco, Brochas 5" pulgadas 2 28 316 8848
Cinta de papel para calculadora 2 3/4", Separadores para legajo
de Almacn INGRESOS 2 22 394 8668
Bateras Rocket NX-120 90 AMP, Brocas de metal de 5/8" 2 25 344 8600
Tubos de 13 w. sencillos, Breaker 2x 40 amp. (dos polos PLUG-IN) 2 22 390 8580
Triton pro cepillo de algas 5" 9020, Brochas 5" pulgadas 2 30 284,8666667 8546
Cajitas telefnicas 2 ptos., Engrapadoras Industriales B-310 2 24 354 8496
Cinta correctora Smith Corona XL10001500, Tornillo Gypsun 3" 2 23 367 8441
Machete 24", Brocas de metal de 5/8" 2 22 382 8404
Cincel 1" x 10", Bandeja para escritorio T/C metlica 2 22 379 8338
Sobres Blancos T/Carta, Fast Dry Esmalte Blanco 2 21 394 8274
SWITCH ENH916P/16 puertos (ENCORE), Brochas 5" pulgadas 2 28 295 8260
Alfombra de hule de 3 piezas para automvil., Cinta correctora
Smith Corona XL10001500 2 26 316 8216
Extensin elctrica, Brocas de metal de 5/8" 2 23 355 8165

Tabla 3: Elementos que resultan de asociar las tablas de ventas con productos
Recomendaciones para la cesta de la compra
Ventas de los elementos Ventas Porcentaje de
Elemento seleccionado Recomendacin seleccionados vinculadas ventas vinculadas
Sobres blancos T/Legal Tornillo Gypsun 3" 54 27 050 %
Bainder 1"color negro o azul Separadores para legajo de
oscuro Almacn INGRESOS 58 25 043 %
Filtros para aspiradora Karcher NT Bandeja para escritorio T/C
65/2 ECO-NT 72/2 metlica 61 26 043 %
Alfombra de hule de 3 piezas para Cinta correctora Smith Corona
automvil. XL10001500 54 26 048 %
Aquachlor duraclor 90% gr. Fast Dry Esmalte Blanco 55 24 044 %
Toner HP CP3505n/3800/Q7581A Fast Dry Esmalte Blanco 59 24 041 %
Tape Electrico Brocas de metal de 5/8" 57 25 044 %
Bateras Rocket NX-120 90 AMP Brocas de metal de 5/8" 52 25 048 %
Wipe hmedo Tornillo Gypsun 3" 56 25 045 %
Tarjetero plstico/porta tarjeta Borrador de Leche 60 25 042 %
Ampo T/LEGAL Borrador de Leche 61 25 041 %
Separadores para legajo de
Pichel de vidrio 2 lts Almacn INGRESOS 50 23 046 %
Separadores para legajo de
Grapas Industrial 5/8" Almacn INGRESOS 50 23 046 %
Separadores para legajo de
DVD+RW Regravables Almacn INGRESOS 47 23 049 %
Calculadora de escritorio 14
dgitos Aerosol Multiuso WD-40 51 24 047 %

Tabla 4: Elementos vinculados al realizar las compras

Realizando el anlisis en la tabla compras, (vwcompras) se obtuvo el siguiente resultado.


63
idcompras NombreProducto CategoriaProducto MontoTotal idproducto
1 Toner HP Q6473A Magenta Accesorios de Computo 7802 10
Lower adf Asam para fotocopiadora Lexmark (repuesto)
1 56P0030 Producto con Pegamentos 7802 11
1 Masking Tape 3/4" Accesorios de Computo 7802 15
1 Block de Egreso Accesorios de Computo 7802 2
1 Cepillo para lavar llantas Accesorios de Computo 7802 24
1 Esquinero metalico UD 10" Productos de Papel en General 7802 27
1 Toner OKIDATA B6200/6300 Negro Productos para Marca Sharp 7802 3
1 Placa para toma corriente sencillo Productos para Marca Sharp 7802 30
1 Spiche plastico 3/16 x 1" (cien unidades) Producto con Pegamentos 7802 34
1 Spiche plastico 1/4 x 1" (cien unidades) Productos de Papel en General 7802 35
1 Candados crono 60 mm Accesorios de Computo 7802 37
1 Clavos de 1 1/2" (libra) Productos para Respaldo 7802 42
1 Lijas para madera #80 Accesorios de Computo 7802 46
1 Lijas para madera #120 Productos de Papel en General 7802 48
1 Caja rectangular 2x4x1/2 liviana Productos de Papel en General 7802 53

Tabla 5: Tablas Compras- Productos

64
Elementos incluidos en la cesta de la compra

Lote de elementos Tamao del lote Nmero de ventas Valor promedio por venta Valor global del lote
Clavos de 4" (libra), Brochas 5" pulgadas 2 15 15343,06667 230146
Jabn liquido para manos (botella), Remaches de 1/8 x 1/2" 2 14 15909,85714 222738
Alfombras de entradas tamao 2 1/2 metro, Batera CMF-N70 Z 12 Volt.90 Amp.2 14 15356,71429 214994
Jabn liquido para manos (botella), Formn para madera 1/4" 2 14 15206 212884
Tubos Conduit PVC de 1/2" x 10, Gaseosa coca cola de 3 litros 2 13 15666,30769 203662
Lave de pase de 1", Unin Maneable PVC de 3/4" 2 13 15637,38462 203286
Esquinero metalico UD 10", Brochas 5" pulgadas 2 13 15472 201136
Canaleta PVC de 1", Corrector en Lpiz punta metlica 2 13 15367,69231 199780
Rodillo para Calculadora IR-40 T, Order Book de 96 pginas 2 13 15357,38462 199646
Inyectores completos para inodoro, Revelador SHARP fotocopiadora MX-500NV- 2 MX-M363N (200K)12 16446,5 197358
Bolsa basura tamao 25.5" x 31.5" (20unidades), Formn para madera 1/4" 2 13 15148,46154 196930
Teclado y mouse LOGITECK MK550-WIRELESS/920-002555, Unin Maneable PVC 2 de 3/4" 13 15067,53846 195878
Diskette 3.5 M2DD (Doble Densidad de 10 unidades), Cinturn para fuerza Gladiador
2 5000 Talla XXL12 16310 195720
Pintura Amarillo Trfico, Cuchilla para fotocopiadora Sharp Modelo AL-1642 2 12 16230 194760

Tabla 6: Productos ms comprados

65
Recomendaciones para la cesta de la compra
Ventas de los elementos Ventas Porcentaje de ventas
Elemento seleccionado Recomendacin seleccionados vinculadas vinculadas
Brochas 5" pulgadas Clavos de 4" (libra) 36 15 042 %
Clavos de 4" (libra) Brochas 5" pulgadas 29 15 052 %
Jabn liquido para manos
(botella) Remaches de 1/8 x 1/2" 28 14 050 %
Remaches de 1/8 x 1/2" Jabn liquido para manos (botella) 28 14 050 %
Batera CMF-N70 Z 12
Volt.90 Amp. Alfombras de entradas tamao 2 1/2 metro 28 14 050 %
Alfombras de entradas
tamao 2 1/2 metro Batera CMF-N70 Z 12 Volt.90 Amp. 25 14 056 %
Jabn liquido para manos
(botella) Formn para madera 1/4" 28 14 050 %
Formn para madera 1/4" Jabn liquido para manos (botella) 32 14 044 %
Tubos Conduit PVC de 1/2" x
10 Gaseosa coca cola de 3 litros 25 13 052 %
Gaseosa coca cola de 3 litros Tubos Conduit PVC de 1/2" x 10 27 13 048 %
Unin Maneable PVC de 3/4" Lave de pase de 1" 29 13 045 %
Lave de pase de 1" Unin Maneable PVC de 3/4" 19 13 068 %
Esquinero metalico UD 10" Brochas 5" pulgadas 27 13 048 %
Corrector en Lpiz punta
metlica Canaleta PVC de 1" 26 13 050 %
Canaleta PVC de 1" Corrector en Lpiz punta metlica 22 13 059 %
Rodillo para Calculadora IR-
40 T Order Book de 96 pginas 27 13 048 %
Order Book de 96 pginas Rodillo para Calculadora IR-40 T 28 13 046 %
Inyectores completos para Revelador SHARP fotocopiadora MX-
inodoro 500NV- MX-M363N (200K) 25 12 048 %

Tabla 7: Productos Vinculados por Compras

66
Usando la pestaa de Minera de Datos y seleccionando Asociar se obtuvieron los siguientes resultados.

En este se utiliz asistente para asociacin, seleccionamos la tabla a utilizar, id de transaccin, elemento, la compatibilidad
mnima y probabilidad de la regla mnima.

idcompras NombreProducto CategoriaProducto MontoTotal idproducto


1 Toner HP Q6473A Magenta Accesorios de Computo 7802 10
1 Lower adf Asam para fotocopiadora Lexmark (repuesto) 56P0030 Producto con Pegamentos 7802 11
1 Masking Tape 3/4" Accesorios de Computo 7802 15
1 Block de Egreso Accesorios de Computo 7802 2
1 Cepillo para lavar llantas Accesorios de Computo 7802 24
1 Esquinero metalico UD 10" Productos de Papel en General 7802 27
1 Toner OKIDATA B6200/6300 Negro Productos para Marca Sharp 7802 3
1 Placa para toma corriente sencillo Productos para Marca Sharp 7802 30
1 Spiche plastico 3/16 x 1" (cien unidades) Producto con Pegamentos 7802 34
1 Spiche plastico 1/4 x 1" (cien unidades) Productos de Papel en General 7802 35
1 Candados crono 60 mm Accesorios de Computo 7802 37
1 Clavos de 1 1/2" (libra) Productos para Respaldo 7802 42
1 Lijas para madera #80 Accesorios de Computo 7802 46
1 Lijas para madera #120 Productos de Papel en General 7802 48
1 Caja rectangular 2x4x1/2 liviana Productos de Papel en General 7802 53
1 Tornillo Gypsun 2" (500 unidades) Productos para Respaldo 7802 54
1 Brochas 5" pulgadas Productos para Corregir / Borrar 7802 57
1 Base Transparente Fast Dry Productos para Corregir / Borrar 7802 60
1 Brochas 5" pulgadas Accesorios de Computo 7802 62

Tabla 8: Categoras de productos asociados

Se genera: Reglas: Estn compuesta por Probabilidad, Importancia de la regla y Regla que es muestra productos.
Asociar NombreProducto
67
Probabili Importa
dad ncia Regla
Aceite de motor 20 W-50 = Existente, Cinta papel Brother DK-N5224 = Existente -> Guantes de cuero para
100 % 1,54 trabajo = Existente
Cinta de Respaldo 4mm. DDS-90 = Existente, Folders transparente T/Legal = Existente -> Bolsa de papel 12 x
100 % 1,62 15 " = Existente
Candados crono 40 mm = Existente, Bainder 8.5 x 5 x 1" color negro o azul oscuro = Existente -> Bolsa de
100 % 1,48 papel 9 x 12 " = Existente
Cable protoduro de cobre 3x14" 600V = Existente, Cartulina Opalina = Existente -> Cerradura de pelota
100 % 1,67 sencilla (sin llave) = Existente
100 % 1,58 Brochas de 3 pulgadas = Existente, Cable protoduro TSJ 3x10 mts = Existente -> Paraguat 20 SL = Existente
Brocas de metal de 7/32" = Existente, Cartulina Opalina = Existente -> Toner Cartucho HP CD973 AL #920 XL
100 % 1,40 Magenta = Existente
Brocas de metal de 7/32" = Existente, Cartulina Opalina = Existente -> Gaseosa coca cola de 3 litros =
100 % 1,40 Existente
Brocas de metal de 7/32" = Existente, Cartulina Opalina = Existente -> Cuchilla para fotocopiadora Sharp
100 % 1,37 Modelo AL-1642 = Existente
Cartulas de Legajo de Almacn = Existente, Jabon liquido para dispensador Gentle Lotion 800 ml.rosado =
100 % 1,54 Existente -> Jabn de lavar = Existente
Cerradura de pelota sencilla (sin llave) = Existente, Cartulina Opalina = Existente -> Cable protoduro de cobre
100 % 1,72 3x14" 600V = Existente
Brochas de 3 pulgadas = Existente, Fixina o Unid.Fusin para fotocopiadora Lexmark C-762 (56P2910) =
100 % 1,65 Existente -> Paraguat 20 SL = Existente
Brocas de metal de 7/32" = Existente, Jabn liquido para manos (botella) = Existente -> Cartulina Opalina =
100 % 1,51 Existente
100 % 1,31 Brocas de metal de 7/32" = Existente, Cartulina Opalina = Existente -> Unin para manguera 1/2" = Existente

Tabla 9: Asociacin de Productos Por Nombre 1

68
Conjunto de elemento: Compuesta por soporte, Tamao, y Conjunto de elementos (nombres).

Asociar NombreProducto
Conjuntos de elementos

Soporte Tamao Conjunto de elementos


30 1 Brochas 5" pulgadas = Existente
25 1 Placa para toma corriente sencillo = Existente
25 1 Rollo Plstico negro en polietileno-calibre 1000-bobina de 100 yrds. = Existente
25 1 Tambor para Brother DR*350 = Existente
24 1 Conector Romex de 3/4" = Existente
24 1 Te lisas de 3/4" = Existente
24 1 Unin para manguera 1/2" = Existente
24 1 Llanta slida para carreta = Existente
23 1 Azcar de dieta de 100 unid.(Splenda) = Existente
23 1 Unin Maneable PVC de 3/4" = Existente
23 1 Manguera reforzada de 100 pie = Existente
23 1 Silicn Transparente = Existente
23 1 Mouse USB porttil = Existente
23 1 Perforadora Industrial de 2 hoyos = Existente
23 1 Toner negro HP-C3903A/HP 6 P = Existente

Tabla 10: Asociacion de Productos Tamao

Asociar NombreProducto

69
Ilustracin 15: Red de Dependencias, Asociacin Nombre de los Productos

70
Ilustracin 16: Red de dependencias, atributos

71
Ilustracin 17: Red de Dependencias Nombres

72
En este se utiliz asistente para asociacin, seleccionamos la tabla de Ventas, con los campos de Idventas,
nombreproducto, categoras, totalventas.

IdVentas NombreProducto Categorias TotalVenta


1 Papel carbon T/Legal (de 100 hojas) Productos para Corregir / Borrar 2072,7
1 Azcar de dieta de 100 unid.(Splenda) Productos de Papel en General 2072,7
1 Alfombra de hule de 3 piezas para automvil. Productos para Respaldo 2072,7
1 Discos Duros SATA de 1.0 TB 3.5" Productos para Marca Hp 2072,7
1 Adaptadores SATA/PATA/IDE/Drive to USB 2.0 Productos para Marca Hp 2072,7
1 Mdulo de Memoria RAM 2GB DDR2 para Laptop Satellite Pro U400 Accesorios de Computo 2072,7
1 Llave de pase de 1" Productos para Corregir / Borrar 2072,7
1 Aceite para Trituradora MBM 4005 Producto de Papel Impreso 2072,7
1 Terminal telefnico 2 ptos. Productos de Papel en General 2072,7
1 Pintura Amarillo Trafico Productos para Marca Hp 2072,7
1 Cinta correctora Smith Corona XL10001500 Productos para Respaldo 2072,7
1 Toner Brother TN210BK Negro Productos para Corregir / Borrar 2072,7
1 Toner Brother TN210Y yellow Productos para Marca Sharp 2072,7
1 Triton pro cepillo de algas 5" 9020 Producto de Papel Impreso 2072,7
1 Aceite Original para Trituradora MBM 4005 (Galn) Producto con Pegamentos 2072,7
1 Rollo Plstico negro en polietileno-calibre 1000-bobina de 100 yrds. Productos para Corregir / Borrar 2072,7

Tabla 11: Tabla Productos asociados por categoras

Y se tiene el siguiente resultado:


73
Probabilid Importanc
ad ia Regla
100 % 1,20 Cheques de Poveedores = Existente, Impermeabilizante blanco hueso = Existente -> Cheques de Nmina = Existente
100 % 1,23 Mouse USB porttil = Existente, Mouse PS-2 = Existente -> Conectores RJ 45 = Existente
100 % 1,22 Lapiceros corrientes azul = Existente, Ambientador para inodoro Air Wick = Existente -> Cajitas telefnicas 2 ptos. = Existente
100 % 1,34 Cheques de Poveedores = Existente, Gafas plsticas de proteccin = Existente -> Remaches de 1/8 x 3/8" = Existente
Mouse USB porttil = Existente, Mouse USB Optico = Existente -> Batera para Vehculo 75DR31-12V 90A Marca Yokohama =
100 % 1,15 Existente
100 % 1,23 Mouse USB porttil = Existente, Mouse USB Optico = Existente -> Filtro para pantallas 15" = Existente
100 % 1,11 Cheques de Poveedores = Existente, Timbres fiscales de C$2.00 = Existente -> Anticorrocivo rojo oxido = Existente
100 % 1,10 Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Te helado en polvo (bolsa) = Existente
100 % 1,11 Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Lpiz mecanico 0.7 = Existente
100 % 1,11 Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Toner HP-920C/C6578D/Color = Existente
100 % 1,14 Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Cloro = Existente
100 % 1,15 Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Toner HPQ5949A BLK/LJ 1160/1320 = Existente
Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Filminas para impres. blanco y negro (normal) (de 100
100 % 1,15 unid.) = Existente
Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Jabn en cilindro para lavar platos de 340 Gr. =
100 % 1,16 Existente
100 % 1,16 Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Foto Conductor LEXMARK 12A8302 = Existente
100 % 1,20 Mouse USB porttil = Existente, Tape Magico de 3/4" x 27 yds. = Existente -> Azistin diferentes aromas de 900 ml. = Existente

Tabla 12: Probabilidad de ventas acorde a importancia

Conjuntos de elementos.

74
Asociar NombreProducto_1
Conjuntos de elementos

Soporte Tamao Conjunto de elementos


66 1 Conector Romex de 3/4" = Existente
60 1 Brochas 5" pulgadas = Existente
50 1 Llave sencilla para paja = Existente
49 1 Fast Dry Esmalte Blanco = Existente
49 1 Extensiones para pintar = Existente
49 1 Pastes amarillos con verde doble uso = Existente
48 1 Engrapadoras Industriales B-310 = Existente
47 1 Memoria DDR de 512 PC400 = Existente
47 1 Lampara de 2x40 superficial con difusor y transformador elctrico = Existente
46 1 Cable de 15 pies VGA/SVGA MON HDDB15M SHIELD = Existente
46 1 Cinta correctora Smith Corona XL10001500 = Existente
46 1 Brochas 2" pulgadas = Existente
46 1 Clavos de 2" (libra) = Existente
46 1 Cables de Video SVGA DB-15 MACHO-HEMBRA 25 pies de longitud = Existente
46 1 Encolochadora = Existente
46 1 Remaches de 1/8 x 5/8" = Existente
46 1 Refrigerante para Radiador (Galn) = Existente

Tabla 13: Productos asociados acorde a su tamao

Red de Dependencias:

75
Ilustracin 18: Red de dependencias Nombres de Producto

76
Ilustracin 19: Red de dependencias

77
Ilustracin 20: Red de dependencias atributos

78
3. Evaluacin Norma ISO 9126: Usabilidad

Para la evaluacin de la norma ISO, en el uso de la aplicacin del Algoritmo reglas de


asociacin, hemos procedido a realizar una encuesta a los principales usuarios de la
aplicacin.

En nuestra encuesta hemos tomado como muestra 11 personas los cuales tienen los
siguientes cargos:

Gerente: 1

Encargados de Ventas: 3

Encargados de Inventarios: 2

Vendedores: 5

Se tom en cuenta a los vendedores que aunque no usarn directamente la aplicacin,


se vern afectados por los resultados que ella genere.

encargado de Gerente
inventario 9% Cargo
18%
que
desempea

encargado vendedor
de ventas 46%
27%

Ilustracin 21: Cargo que desempea

Se les pregunt por el uso de la aplicacin para conocer el grado de dificultad en su uso
obteniendo el siguiente resultado:
Innecesario Es fcil el uso de
9% la aplicacin?
Muy
complejo
18% Muy util
46%

No lo
comprendo
27%
Ilustracin 22: Uso de la aplicacin

Tambin se les pregunt que puntaje asignara a la aplicacin, donde 10 era la


puntuacin mxima (Excelente) y 6 la ms baja (malo). Aunque nadie la calific como
malo se observa que tampoco alcanz el mayor rango, por lo cual convendra realizar un
anlisis, ya que se pudo observar que un 27% de los usuarios an no logran comprender
el concepto y uso de la aplicacin.

Que puntuacin le
asigna a la aplicacin?
Muy bueno
18%
Regular
36%

bueno
46%
Ilustracin 23: Puntaje asignado a la aplicacin

Se les pregunt por el tipo de reportes que les gustara obtener de la base de datos, estos
son solicitados acorde al cargo desempeado en la empresa. Podemos observar que al
gerente le interesa obtener un amplio conocimiento y es vlido dado que es el que est
a cargo de la empresa, llama la atencin que a los vendedores no quieren conocer cmo
81
estn los inventarios y al encargado de inventarios no le interesa conocer nada de los
clientes ni de los vendedores.

Reportes necesarios segn el cargo


Clientes Inventarios Vendedores Ventas

60
50.8 50 50 50
50 44.7
40
33 33.3
29.9
30

20 17
12 10
9.110.2
10
0 0 0
0
Gerente Vendedor Encargado de Ventas Encargado de
Inventario
Ilustracin 24: Solicitud de reportes

Y por ltimo queremos conocer quines sern los usuarios de la aplicacin, algunos
vendedores aunque tienen inters en lo ella y lo que genera se muestran dudosos, esto
es debido a que solo son ejecutivos de ventas y no son tomadores de decisiones, pero
como parte del estudio es bueno que conozcan esta tcnica de minera de datos para
sacar el mayor provecho al proceso de ventas.

82
Utilizaran Aplicacin
120
100
100
80
80
66.7

60
50

40 33.3 36.4

20
20 13.6

0 0 0 0
0
Si No Aun no lo s
Gerente Encargado de Ventas Encargado de Inventario Vendedor

Ilustracin 25: Usuarios de aplicacin

83
IX. Cronograma de Actividades

84
X. Presupuesto
Presupuesto de Proyecto
Elaborado por:
Br. Reynery Elizabeth Beteta Morales.
Br. Martin Antonio Pea Carcache.
Br. Eliette de los Angeles Mena Lpez.
% Reserva de Contingencia 30%
Presupuesto Reservas Total
Fecha de Inicio: 09/03/2015 Total 6,020.00 1,806.00 7,826.00

Cdigo Tarea / Actividad Elemento Tipo de Recurso Tipo de Unidades Unidades Tasa Presupuesto
1 Aplicacin del algoritmo Asociations Rules 4,645.00
1.1 Anlisis a base de datos original 3,310.00
1.1.1 Evaluacion de base de datos Original 1,465.00
Br. Eliette de los ngeles Mena Lpez.
Analista desarrollador Horas / Jornadas 1 25.00 25.00
Br. Martin Antonio Pea Carcache. Analista desarrollador Horas / Jornadas 1 20.00 20.00
Br. Reynery Elizabeth Beteta Morales.
Consultor analista desarrollador Horas / Jornadas 1 30.00 30.00
Computadoras Materiales Cantidad 3 290.00 870.00
Telefonos Materiales Cantidad 3 10.00 30.00
Papeleria Materiales Cantidad 3 100.00 300.00
transporte Gastos Indirectos NA 7 10.00 70.00
alimentacion Gastos Indirectos NA 8 15.00 120.00
1.1.2 Depuracion de base de datos 1,845.00
Br. Eliette de los ngeles Mena Lpez.
Analista desarrollador Horas / Jornadas 4 25.00 100.00
Br. Martin Antonio Pea Carcache. Analista desarrollador Horas / Jornadas 4 20.00 80.00
Br. Reynery Elizabeth Beteta Morales.
Consultor analista desarrollador Horas / Jornadas 4 30.00 120.00
Computadoras Materiales Cantidad 3 290.00 870.00
Telefonos Materiales Cantidad 20 10.00 200.00
Papeleria Materiales Cantidad 1 100.00 100.00
transporte Gastos Indirectos NA 15 10.00 150.00
alimentacion Gastos Indirectos NA 15 15.00 225.00
1.2 Creacion de nuevo modelo 1,335.00
1.2.1 seleccin de caracteristicas a tomar en cuenta 1,335.00
Br. Eliette de los ngeles Mena Lpez.
Analista desarrollador Horas / Jornadas 10 25.00 250.00
Br. Martin Antonio Pea Carcache. Analista desarrollador Horas / Jornadas 10 20.00 200.00
Br. Reynery Elizabeth Beteta Morales.
Consultor analista desarrollador Horas / Jornadas 10 30.00 300.00
Computadoras Materiales Cantidad 0 290.00 -
Telefonos Materiales Cantidad 6 10.00 60.00
Papeleria Materiales Cantidad 2 100.00 200.00
transporte Gastos Indirectos NA 10 10.00 100.00
alimentacion Gastos Indirectos NA 15 15.00 225.00
2 Extraccion del conocimiento 1,375.00
2.1 evaluacion de resultados 1,375.00
2.1.1 muestra de resultados 1,375.00
Br. Eliette de los ngeles Mena Lpez.
Analista desarrollador Horas / Jornadas 1 25.00 25.00
Br. Martin Antonio Pea Carcache. Analista desarrollador Horas / Jornadas 1 20.00 20.00
Br. Reynery Elizabeth Beteta Morales.
Consultor analista desarrollador Horas / Jornadas 1 30.00 30.00
Computadoras Materiales Cantidad 1 290.00 290.00
Telefonos Materiales Cantidad 3 10.00 30.00
Papeleria Materiales Cantidad 0 100.00 -
transporte Gastos Indirectos NA 3 10.00 30.00
alimentacion Gastos Indirectos NA 0 15.00 -
Software aplicacin 1 950.00 950.00

85
XI. Conclusiones

La Empresa Mltiples Equipo y Servicios lleva de forma desordenada la


informacin concerniente a sus ventas, est basado en libros de Excel, donde se
lleva la contabilidad y reportes de inventarios.

Se logr desarrollar una solucin para la explotacin de datos en el rea de


inventarios de la empresa Mltiples Equipos y Servicios. Gracias a esta aplicacin
podrn realizarse de manera fcil rpida y confiable reportes de movimientos en
los inventarios tanto en entradas como salidas de materiales.

Con la implantacin de la solucin en la empresa Mltiples Equipos y Servicios


realizamos una encuesta basados en la norma ISO 9126 y evaluamos algunas de
las caractersticas de esta norma, como son: Usabilidad: Facilidad de aprendizaje,
comprensin y operatividad de la solucin obteniendo resultados aceptables.

86
XII. Recomendaciones

Mejorar el control de los movimientos existentes con la finalidad de tener datos


congruentes en tiempo y forma, organizar las entradas de equipo por categoras,
tipo de producto y fechas para obtener un mejor control de los artculos existentes.

Rediseo de base de datos con un mejor esquema y reorganizacin,


implementacin de un sistema integrado para permitir la fiabilidad de los datos.

Se recomienda crear una red que integre todas las sucursales para conocer en
tiempo real las existencias de los productos; otorgando permisos especiales de
seguridad en los equipos donde se lleve el control de inventario aplicando una
cuenta de usuario y una para el administrador con todos los privilegios en donde
est instalado la minera de datos para tener el conocimiento de la empresa, esto
con las normativas de la ISO 9126 que apliquen y el algoritmo ms conveniente
(Reglas de asociacin).

87
XIII. Bibliografa
Copyright IBM Corp. 2014, 2012. (19 de febrero de 2014). Unified Modeling Languaje (UML).
Recuperado el 19 de abril de 2014, de Unified Modeling Languaje (UML): http://www-
01.ibm.com/software/rational/uml/

Alegsa, A. (05 de 05 de 2010). http://www.alegsa.com.ar/.

Alvarado, C. G. (1996). Sistemas de bases de datos. Cartago: Editorial Tecnolgica de Costa Rica.

Baez, S. (20 de octubre de 2012). Know Do. Recuperado el 19 de abril de 2014, de Sistemas web:
http://www.knowdo.org/knowledge.php?id=39&ver=1

Bberthold, M. D. (2003). Intelligent Data Analysis,an introduction springer. 2da edition.

Booch, G., Rumbaugh, J., & Jacobson, I. (2006). UML: el lenguaje unificado de modelado : gua del usuario
(2 ed.). (J. J. Molina, Ed., & J. J. Molina, Trad.) Pearson Educacin.

Brimhall, J., Dye, D., Gennick, J., Roberts, A., & Sheffield, W. (2012). SQL Server 2012 T-SQL. Apress.

Caseres. (2003). Data Warehouse.

Castellanos, L. (2011). Desarrollo de Sistemas de Informacin bajo un enfoque incremental. Maracibo,


Venezuela.

Chang, J. (2006). Business process Mangement System:stractegy and implementation . Averbach


Publications.

Chen, M. (1996). Data Mining: an averview from database Perspective.

De la Torre Llorente, C., Zorrilla Castro, U., Ramos Barros, M. ., & Clavarro Nelson, J. (2010). Gua de
Arquitectura N-Capas orientada al Dominio con .NET 4.0 (BETA). Espaa: Krasis Press.

de la Torre Llorente, C., Zorrilla Castro, U., Ramos Barros, M. ., & Clavarro Nelson, J. (2010). Ingeniera
de software un enfoque practico. Madrid: Krasis Press.

Dip, P. (8 de febrero de 2001). tecnologia e ninformacion. Obtenido de


http://latecnologiavirtual.blogspot.com/2008/04/dato-e-informacin.html

Fayyand, U. P. (1996). Data Mining .

Fowler, M., & Kendall, S. (1999). UML gota a gota. Mxico: Pearson Education.

Frank, L. H. (2000). Data Mining: Practical Machine Learning tools and Tecniques with
Java.implememtations. Morgan Kaufman.

88
Garca Molina, J., & M. Menrguez, J. (2003). Aplicacin prctica de un proceso basado en UML, IX
Jornadas sobre la Enseanza Universitaria en Informtica. Cdiz: Editorial Thomson.

Griffiths, I. (2012). Programming C# 5.0. O'Reilly.

Han j, k. M. (2001). Data Mining: concepts and tecniques. USA: morgan Kaufmann Publicher.

Han j, k. M. (s.f.). Data Mining: concepts and techniques. USA: morgan Kaufmann Publicher.

Han, J., & M., K. (2001). http://www.webmining.cl.

Hand, D. M. (2001). Principles of data Mining. California,EEUU.

J.caserta, R. a. (2004). the Data Warehouse toolkit: the Compleguide to dimendional Modeling. 2da.
edicin Wiley Publishing.

Jhonson, B. (2014). Professional Visual Studio 2013. Indianapolis: Wrox.

jQuery Community Experts. (2010). jQuery CookBook. Sebastopol: O'Reilly.

Kendall, K. E., & Kendall, J. E. (2005). Anlisis y Diseo de Sistemas. Mexico: Pearson Educacin.

Lpez, C. P., & Gonzlez, D. S. (2007). Minera de Datos. Madrid, Espaa: Thomson Ediciones Paraninfo,
S. A.

M.ross, R. a. (2002). The data warehouse toolkit: the comple guide to dimensional modeling. 2da edicin
wiley publishing.

Martn, J., & Banks, R. (2013). Visual Studio 2013 Cookbook. Birmingham: Packt Publishing Ltd.

McDonald, B., McGehee, S., & Landrum, R. (2012). Pro SQL Server 2012 Reporting Services. Apress.

Mennig, V. M. (2000). Diccionario de Internet e Intranets. Marabout, Alleur (Blgica): Salvat Editores, S.A.

Microsoft. (03 de Mayo de 2015). Algoritmo de Asociacion Microsoft - MSDN. Obtenido de


https://msdn.microsoft.com/es-es/library/cc280428.aspx

MSDN Microsoft. (20 de marzo de 2014). Microsoft Developer Network. Recuperado el 19 de abril de
2014, de .NET Framework: http://msdn.microsoft.com/es-ES/aa496123

Norton, P. (2002). Introduccin a la Computacin. Sams.

Orallo Hernandez, J. R. (2004). Introduccin a la Mineria de Datos. Printice Hall.

Ortiz, M. (15 de agosto de 2012). ISW UDistrital. Recuperado el 08 de julio de 2014, de Ingeniera del
software, Modelo iterativo: http://isw-udistrital.blogspot.com/2012/09/ingenieria-de-software-
continuacion.html
89
Peralta, M. (2008). http://www.econlink.com.ar/.

Pressman, R. S. (2010). Ingeniera del software. Un enfoque prctico (5ta edicin ed.). (D. Ince, Ed., R.
Ojeda Martn, I. Morales Jareo, V. Yage Galaup, & S. Snchez Alonso, Trads.) Mxico, Espaa:
Mc Graw Hill.

Rajshekhar, A. (2013). .NET Framework 4.5 Expert Programming Cookbook. Birmingham: Packt Publishing
Ltd.

Senn, J. A. (s.f.). Anlisis y Diseo de Sistemas de Informacin (Segunda ed.). Mc Graw Hill.

Silberschatz, A., Korth, H., & Sudarshan, S. (2002). Fundamentos de bases de datos (Cuarta ed.). Madrid:
Mc Graw Hill.

Sommerville, I. (2005). Ingeniera del software. En I. Sommerville, Ingeniera del software. Madrid:
Pearson Educacin.

T. Holdener III, A. (2008). Ajax: The Definitive Guide. Sebastopol: O'Reilly.

Tentor, J. (28 de octubre de 2013). Software y Aplicaciones Web. Recuperado el 23 de abril de 2014, de
Arquitectura de N-Capas y N-Niveles: http://jtentor.com.ar/post/Arquitectura-de-N-Capas-y-N-
Niveles.aspx

Tutoriales ASP.net. (15 de mayo de 2012). es-ASP.net. Recuperado el 28 de abril de 2014, de Qu es el


ASP.NET AJAX Control Toolkit?: http://www.es-asp.net/tutoriales-asp-net/tutorial-5312-
5313/que-es-el-asp-net-ajax-control-toolkit.aspx

U.Dayal, S. a. (1997). and Overview of data warehusing and OLAP tecnology .

V.Palace, J. V. (2008). A knowledge Extraction fron wed Dta aproach.

Velasquez, J. (2008). apunte de Curso IN55A: Sistemas de informacin administracin. Departamento de


Ingenieria Industrial, universidad de chile.

Velasquez, J. (2009). Data Warehouse. Departamento de Ingenieria Industrial, Universidad de Chile.

VisualStudio. (13 de noviembre de 2013). Visual Studio. Recuperado el 19 de abril de 2014, de Desarrollo
de aplicaciones: http://www.visualstudio.com/es-es/explore/application-development-vs

W.Hinmon. (2005). Building the Data Warehouse . 4 ta. edicion Wioey Publishing.

W3C.es. (02 de mayo de 2014). W3C. Recuperado el 08 de mayo de 2014, de Sobre el World Wide Web
Consortium: http://www.w3c.es/Consorcio/about-w3c.html

www.monografias.com. (s.f.). www.monografias.com. Obtenido de www.monografias.com.

90
(W.Hinmon., 2005) (Velasquez, apunte de Curso IN55A: Sistemas de informacin administracin, 2008)
(Chang, 2006) (Velasquez, Data Warehouse, 2009) (V.Palace, 2008) (J.caserta, 2004) (M.ross,
2002) (U.Dayal, 1997) (Fayyand, 1996)

91
XIV. Compendio
Referencia Tcnica y contextual del Instrumento Metodolgico

Mtodo: Entrevista.

Tcnica: Entrevista no estructurada.

Fecha: __ al __ de junio 2015.

Duracin: 30-60 min.

Lugar: Oficinas de la Empresa de Mltiples Equipos y Servicios S.A.

Contexto: Recopilacin de datos e informacin general.

Quin lo va a entrevistar?: Br. Eliette Mena.

Tipo de Muestreo: Probabilstico.

Cuestionario para la entrevista:

P1. Cmo est organizada la Empresa Mltiples Equipo y Servicios S.A?

P2.Cul es la cantidad de empleados que laboran en la misma?

P3. Qu necesita conocer de la empresa?

P4. Cmo se organiza con respecto a las reas de la empresa?

P4.1 Tiene algn registro de los mismos?

P5. Cules son los procesos existentes para control de inventario, incluyendo cualquier
diagrama o procedimientos que hayan creado?

P6. Le gustara tener algn tipo de estadsticas?

P7. Cundo hace las compras de estos materiales o productos?

92
P8. Cules son roles y responsabilidades de las personas que conforman la planta
directiva de La empresa?

P9. Quines usaran el anlisis a realizarse?

P10. Cmo comienza el procedimiento de seleccin de productos para compra o venta?

P11. Qu documentos solicita al ciudadano para ser socio o cliente de la empresa?

P12. Cmo termina el procedimiento de seleccin de compras?

P13. Podra decirme cuales siente que son sus debilidades al momento de realizar un
anlisis de la situacin de la empresa y conocimiento de los datos?

P14. Dnde almacena toda la informacin concerniente a la ejecucin de sus


actividades?

P15. Las bases de datos de la empresa se encuentran actualizadas?

P16. Cules son las necesidades ms urgentes?

93
Encuesta para evaluar uso de la aplicacin

Mtodo: Entrevista.

Fecha: __ al __ de Octubre 2015.

Duracin: 20 min.

Lugar: Oficinas de la Empresa de Mltiples Equipos y Servicios S.A.

Contexto: Recopilacin de datos para conocer el uso de la aplicacin..

P1. Cargo que desempea?

P2. Tiene conocimientos de informtica?

P3. Usted recibi la capacitacin?

P4. Es de fcil uso la aplicacin?

P5. Qu piensa de su uso?

P6. En una escala donde 10 es excelente y 6 es malo, Que puntuacin le asigna a la


aplicacin?

P7. Se logr lo que pretenda con este anlisis?

P8. Qu reportes requiere para el anlisis?

P9. Piensa usar la aplicacin frecuentemente?

94